人工智能技术在创伤救治中的应用与研究进展

目的     综述人工智能（artificial intelligence，AI）技术在创伤救治中的应用与研究进展。

方法     回顾近年有关AI及相关技术用于创伤救治的研究文献，从院前援助、院内急救、创伤后应激障碍风险转归预测方面对应用现状进行总结，展望AI技术在创伤救治应用中的发展趋势。

结果     AI技术可以对大量临床数据进行快速分析和处理，帮助医生更准确地判断创伤患者病情，预测可能的并发症风险。AI技术应用于手术辅助和机器人手术，可以实现精确的手术规划和操作，减少患者手术风险，缩短手术时间，以提高创伤救治应用的效率和远期效果。

结论     AI技术在创伤救治中具有广泛应用前景，但是目前尚处于探索和发展阶段，仍存在历史数据偏差、应用条件限制、伦理和道德问题有待解决。

正 文

近年来，随着工农业、交通运输业及体育等行业的迅猛发展，各种原因造成的创伤日趋增多。由于致伤因素多元化，损伤机制愈发复杂，临床医生面临着复杂创伤救治[1]。据统计，我国每年因创伤就医的患者高达6 200万人次，创伤致死人数达70万～80万人次，约占死亡总人数的9%，是第5位死亡原因[2]。传统创伤救治模式注重人员分工、急救流程、医疗设备和技术的应用，以及专业团队的合作，存在转移程序复杂、诊断和评估延误、人员和资源有限等多个弊端。为了提高创伤救治效率、优化创伤救治诊疗流程、改善预后[3]，传统创伤救治模式亟待创新和突破。

人工智能（artificial intelligence，AI）指在复杂任务（如解决问题和决策）中以类似人类的理性思维行事。AI技术在医学领域中的应用，早期主要偏向于模拟人类专家的知识和经验，协助医生进行诊断和治疗。随着神经卷积网络算法、随机森林算法等技术的广泛使用，学者们开始聚焦于深度学习技术的应用，使得AI技术在创伤救治领域应用更加深入，例如基于图像处理的自动化诊断、基于语音识别的电子病历及自然语言处理等。但现有AI技术的应用主要关注在单一认知能力上接近或超越人类智能，缺乏对于创伤整体救治这一复杂问题的处理能力。对此，Jin等[4]引入了一种广泛学习算法，基于不同随机特征的多判断生成对抗网络方法（multi-discriminator generative adversarial network ba[x]sed on feature separation，GMAN-S），提出了基于广义判别器的训练模型。结果表明，GMAN-S训练模型比基础模型性能更好。Fei等[5]开发了一个用大量多模态数据预训练的基础模型，该方法是通过自监督学习，使用从互联网上抓取的弱语义相关数据进行预训练。上述研究为利用AI技术来解决创伤救治中的复杂问题奠定了基础。

目前，AI技术在创伤救治中的应用与研究进展主要集中在手术机器人和创伤后应激障碍（post-traumatic stress disorder，PTSD）风险转归预测，但鲜有学者围绕AI技术在一体化创伤救治系统中的应用展开深度探讨。本文将从AI技术在院前援助、院内急救、PTSD风险转归预测中的应用现状三方面进行阐述，旨在提高医护人员对创伤救治中AI技术应用的认知，为该技术应用于创伤救治提供参考。

1   AI技术在院前援助中的应用

1.1   创伤预测

创伤预测是利用临床数据（如生理参数、病史等）、影像学和生化检验等手段，结合AI、机器学习算法等技术，对患者可能出现的创伤进行预测和评估[5]。通过分析患者数据，建立预测模型，并根据此模型预测患者未来发生创伤的可能性，有助于提前采取预防措施，降低患者因意外事件受伤或死亡的风险。在高风险群体，如老年人、心血管病患者、呼吸系统疾病患者等，通过对患者数据进行监测和分析，可以及时预测可能出现的创伤情况，并采取相应的预防措施，以提高治疗效果并减少并发症的发生。

在创伤预测中，有关机动车碰撞研究多，通过多层感知器、人工神经网络，根据汽车运动（例如重力、漂移角度）和环境（例如天气）因素预测碰撞发生可能性。Elamrani Abou Elassad等[6]设计了基于机器学习技术的支持向量机和深度神经网络多层感知器，这种AI模型在机动车碰撞预测、危重患者分诊工作中取得了良好效果, 提高了诊断和治疗效率。预测患者的创伤救治需求还可以帮助医院进行资源规划和管理。医院可以根据预测结果，合理安排床位、手术室和医疗设备，调配医护人员，避免资源浪费和分配不平衡。局部创伤护理和区域创伤系统能通过预测各个中心患者流量，确保创伤患者在短时间内接受合适的医疗护理，提高生存率和康复率。Stonko等[7]通过Levenberg-Marquardt反向传播算法训练了具有10个S型隐匿神经元的两层前馈网络，整合时间和天气数据，创建一个人工神经网络来预测Ⅰ级创伤中心的创伤患者量和紧急手术量。创伤性休克是导致创伤患者死亡的重要原因，关注此类患者预后具有重要意义。张晗等[8]基于决策树、逻辑回归、随机森林3种分类算法，构建基于入院生命体征、入院血气分析等早期指标的机器学习模型，比较不同模型对281例创伤性休克患者的预测效能，并选择佳模型进行外部验证。结果显示随机森林模型的准确率、精确率、召回率、F值、受试者操作特征曲线下面积（area under the curve，AUC）等分类器性能指标均值均达0.8以上，在50例外部验证集中随机森林模型表现与内部验证相似，提示机器学习在预测创伤性休克患者院内生存方面具有较好应用前景，可辅助医务人员进行医疗决策，结合规划与决策技术构建基于智能分类的创伤预警系统，有效地对患者进行分类，保证患者生命安全。

1.2   创伤援助

创伤有一个挽救的黄金期，在此期间实施及时、有效的治疗可以改善患者预后，因此就诊时间尤为重要。AI技术可以快速对患者信息进行收集、诊断和匹配，提供即时响应[9]。基于深度学习的流程整合在创伤急救中的应用，Liang 等[10]发现试验组将路径无线传感器网络测量与流程再造整合到医疗信息系统下后，康复患者比例（55.91%）明显优于传统对照组，整个创伤网络的反应时间缩短。Stonko等[7]提出算法可用于分析患者创伤严重程度，实现远程检测和监测患者身体状况，及时准确地发现任何可能存在的危险状况，帮助患者得到及时援助[11]。一旦到达现场，紧急服务人员可根据AI技术提供的患者创伤严重程度分类直接予以抢救。对于接收医院，这些工具可用于预测急诊科的创伤患者量，以帮助人员分配。

2   AI 在院内急救中的应用

创伤患者院内急救风险高、工作量大，临床医师面临巨大的劳动强度和工作压力。AI技术可以通过分析和挖掘临床及医学数据库，进行自动化诊断和治疗，从而帮助医务人员更快地做出正确的诊断和治疗决策[12]，保证危重患者的佳救治时机，对于伤情转归至关重要。

2.1   创伤诊断

气管插管、呼吸机治疗、输血、CT扫描、胸腔闭式引流、手术开始时间以及在复苏室时间、住院时间是时间集合体，创伤诊断需在短时间内完成多系统检测指标的基础上及时完成，而AI技术可以发挥重要作用。Wang等[13]探讨了Medicalsystem重创系统的创伤时间轴管理在严重创伤患者治疗中的应用，结果显示在应用该系统后入院的患者，其死亡率较应用前入院患者降低了8.6%，处理时间明显缩短。

创伤常合并骨折，经过训练的算法模型能够精确判断骨折伤情并选择治疗方案[14]。刘想等[15]对393例患者的肋骨创伤进行了分析，结果显示AI技术对肋骨骨折检测的敏感度、特异度、阳性预测值、阴性预测值分别为94.57%、98.26%、51.94%和99.89%。AI技术还有望应用于急性胸部损伤CT图像的初步筛选及危险程度分级。与此类似，外伤患者紧急抢救时所使用的超声检查，其诊断率也随着AI技术的发展提高。赵佳琦等[16]通过骨骼肌超声图像的计算机纹理分析技术，对骨骼肌损伤修复过程中各阶段声像特点进行定量探索，使用超声造影法观察损伤修复过程中骨骼肌血管分布特征，再利用组织学方法分析损伤修复过程中骨骼肌纤维结构、胶原分布特征以及血管化程度及其排列分布特点，以期为临床寻找骨骼肌损伤量化评估指标奠定理论基础[17]。此外，在腹部和冠状动脉CT检查时，应用大型成像数据集与高质量注释相结合的深度学习图像重建（deep learning image reconstruction，DLIR）算法在应用较低辐射剂量条件下即可捕获隐藏在介质后的清晰物体图像[18]，提高或保持图像质量。Higaki等[19]用滤波反向投影重建幻影图像，混合迭代重建、基于模型的迭代重建和DLIR，通过计算CT数和噪声功率谱的标准差噪声表征，发现在DLIR图像上图像噪声较低，高对比度空间分辨率和基于任务的可探测性优于使用其他技术重建的图像。

2.2   创伤治疗

临床救治创伤患者时，在明确诊断后基于患者生命体征等实际情况准确选择手术路径是核心问题，手术机器人系统为解决该问题提供了方案。理想的手术机器人系统应对手术目的有一定“理解”并能识别手术必要信息，包括手术环境、计划和目标，提高切割和缝合准确性，并计划和指导整个手术[20]。深度学习在创伤骨科救治方面展示出良好的应用效果。Ryan等[21]探讨了基于“主动约束”概念的骨科系统Arthrobot用于人工全髋关节置换术的临床疗效，结果表明机器人辅助下假体植入精性和安全性得到提高，早期疗效满意。Li等[22]比较了传统荧光透视辅助经皮骶髂关节螺钉植入术与TiRobot机器人辅助螺钉植入术疗效，结果显示机器人辅助螺钉植入准确率更高，且螺钉调整次数更少。Sutherland等[23]评估了NeuroArm系统对神经外科手术的图像导航效能，发现整个系统对MRI成像无干扰，并可完成多维动作，有望减少创伤，缩短术后恢复期。

目前，手术机器人在创伤救治中的应用主要为多端口腹腔镜机器人、单端口腹腔镜机器人和机器人针插入系统。达芬奇外科系统是目前应用多的多端口腹腔镜机器人，其配备镊子、钩子和针刀等仪器[24]，第4个手臂装有能够放大15倍的相机来提供三维高清相机视觉，还具有交互式显示触摸屏[25]。2013年， Mega等[26]采用达芬奇S HD手术系统（Intuitive Surgical公司，美国）辅助58例重度二尖瓣关闭不全成年患者的二尖瓣修复术，手术均顺利完成，提示手术机器人辅助二尖瓣修复术安全。2010年，Intuitive Surgical公司研发了达芬奇Si系统，具有对模拟和训练特别重要的双控制台，具备更先进的临床手术治疗能力、流水线式设计系统以及多种扩展功能使手术室设备一体化的3项核心特点。达芬奇Si系统通过三维视觉放大视野，通过机械臂和手术工具消除医生手颤动，实现高度敏感操作。Kira等[27]回顾分析了38例采用达芬奇Si系统辅助腹腔镜肾部分切除术的患者临床资料，结果表明术中应根据不同肿瘤位置考虑使用第4臂。2018年，Kim等[28]对尸体标本进行经口机器人手术，结果显示达芬奇Xi系统优于Si系统，可以改善解剖学通路，为手术流程提供佳方案指导，从而改善了经口机器人手术效果。2019年，Huang等[29]的研究显示达芬奇Xi系统可改善结直肠癌手术围术期结局，回肠造口分流率较低，创伤救治手术时间更短，估计失血量更少，患者术后恢复更快。

单端口腹腔镜手术是由单一创口向腹腔置入多个器械开展手术，相比传统多孔腔镜手术具有更微创、恢复快等优点[30]。2015年，Tsuda等[31]报道使用达芬奇单端口系统进行胃肠道手术。术中该系统能进入狭窄的工作空间，同时保持高质量视觉、精度和控制，但是与传统腹腔镜手术相比价格昂贵。2017年，Funk等[32]采用 Flex Robotic System（MedRobotics公司，美国）的“蠕动技术”实现的经口声门上喉切除术和全喉切除术，该系统灵活的铰接式内窥镜实现了手术。2022年， Samalavicius等[33]报道使用SenhanceTM外科手术机器人系统（TransEnterix公司，美国）进行结直肠手术安全可行。同时，该系统采用了标准可重复使用的器械和开放平台架构战略，有效降低了机器人手术费用。

除此以外，创伤研究和使用广泛的技术是CT、 MRI和超声成像[34]。在创伤外科中，可视化导航是非常重要的一项技术，与 MRI、CT等影像相结合，可以更精确定位并切除损伤部位，大程度保留正常组织。“天玑”手术导航系统大优点是可以进行术中导航，根据患者实际情况进行快速三维重建，并自动调整手术路线[35]。

随着手术机器人的发展，智能数字手术室对手术医疗设备进行高度集合与集成，可以在实际设备操作之前，用于医生计算机辅助培训、手术初步规划、后期分析和模拟。2023年， Prokhorenko等[36]开发了原型机器人接口实施方案，使KUKA LBR Med 14 R820医疗机器人能够使用FRI协议进行操作，并在真实设备及其数字孪生体上进行实验。随着生物仿生学、材料科学等交叉学科的不断发展，未来将出现更为先进和高效的手术机器人，并逐步实现自主完成复杂、危险和特殊手术的目标。见表1。

3   AI 技术在PTSD风险转归预测的应用

PTSD是指个体经历、目睹或遭遇与其自身或他人死亡相关的事件，或由于精神上、生理上的损伤或其他因素导致的一种或多种精神障碍。数据显示全球范围内超过70%的人在生命中至少会有1次心理创伤，而有31%的人会有4次以上的心理创伤[37]。PTSD可导致自杀、二次精神疾病、药物滥用、功能障碍等，严重危害人类健康，传统临床诊疗手段很难实现快速、客观及准确诊断。近年，随着 AI大数据统计分析和计算机视觉技术的智能诊断系统发展，AI技术也广泛应用于辅助预测PTSD风险转归[38]。邓傲骞等[39]以长沙市628名消防员为研究对象，采用合成少数类过采样技术处理数据集，使用网格搜索进行超参数调优。通过5折交叉验证，并采用AUC、准确度、精确率、召回率和F1分数比较多种常用机器学习模型的预测能力。研究表明通过随机森林构建的长沙市消防员患PTSD预测模型具有较强的预测能力，心理特征和工作情况是消防员的预测因子。同时，PTSD还会对儿童的成长产生不良影响[40]。机器学习可以处理海量的数据和变量，逐步用于儿童PTSD的早期预测、识别和辅助诊断等方面。相对于传统的自我报告诊断，采用机器学习方法对 PTSD进行识别与诊断具有高效、客观、准确以及节省资源等优点[41]。

4   AI技术在创伤救治中的局限性

目前，AI技术在创伤救治中应用有限，主要存在以下方面局限性。① 在创伤救治中，AI技术可能需要一定时间来分析和处理数据，一些应用条件限制可能会延迟治疗的开始，包括时间限制、地域限制等。② AI的学习和决策都是基于历史数据，如果历史数据存在偏差，AI分析结果也会存在偏差。③ AI技术能够处理大量数据和算法，但创伤救治中患者的症状、表现等因素往往无法被简单算法所捕捉，从而影响其应用效果。其次，AI需要大量数据进行训练和学习，但在创伤救治中，特定类型的创伤数据可能很难获得，而且创伤救治中的医疗诊断专科化也导致AI综合性诊疗辅助能力不足。④ 随着深度学习和解释透明化模块在各种AI研究领域取得了巨大成功，AI决策更容易被大众接受，但如何正确处理伦理和道德问题成为一个重要挑战，涉及到AI系统决策、隐私保护、公平性等方面。AI技术在创伤救治中具有一定应用潜力，但在实际应用中可能无法完全预测和解决所有问题，医生需要权衡AI建议以及自己专业判断，以选择佳创伤救治方案。

5   总结与展望

自AI技术初次应用于创伤救治已有 40余年历史，从救援现场到医院手术室，在其辅助下创伤救治更加高效、准确、快速。应急救援体系在近年来也迅速发展，成为创伤救治的重要组成部分。应用数据挖掘和大数据技术分析得到的各种创伤救援模型，在灾难救援现场对困难区域进行的探测以及信息收集，使得救援人员能够更加高效地进行救援操作，从而为各类创伤救援提供更加精、快速的支持，减少患者损失。在医院手术室，智慧医疗将空间立体导航技术、计算机图像处理和临床实践相结合，为医生提供更准确可靠的支持[42]。基于患者影像数据，通过深度学习等技术进行的自动诊断和分析，能帮助医生对患者进行更精的诊断和治疗。通过分析大量患者数据，建立预测模型，AI技术还可以帮助医生更加准确地预测患者康复情况和生存率。同时，AI技术还可以为医生提供一些决策的支持，帮助医生更加客观地评估患者病情、规划手术方案、辅助手术，保证手术的成功率和安全性。

AI技术在创伤救治中具有一定潜力，但是需要建设一个能够实现数据共享的平台，这个平台可以从多个医院和医疗设备中获取数据，进而运用AI算法来分析和提取有用信息。AI技术将根据患者的个体差异，制定更加个性化的治疗方案。通过运用机器学习算法，可以根据患者特征判断治疗需求，进而制定治疗方案[43]。随着 AI技术的不断发展，数据库、机器学习算法将会不断提升，相关法律法规和医学伦理规定也将进一步完善。