无人机集成人工智能系统用于大规模伤亡事件检伤分类与远程监测

《Prehospital and Disaster Medicine》：A Drone-Integrated Artificial Intelligence-Based System for Mass-Casualty Triage and Remote Monitoring

　　

目的：检伤分类（triage）和数据传输对于大规模伤亡事件（mass-casualty incidents, MCIs）的医疗管理至关重要。然而，此类事件的混乱性质使得按照结构化检伤分类方案对伤员进行分类变得困难。此外，即使有效实施检伤分类，事件现场与调度中心之间的通信中断也可能妨碍响应行动。本研究旨在介绍一种无人机集成系统，该系统可在MCIs期间实现非接触生命体征测量、远程检伤分类和实时数据传输。方法：系统开发过程包括三个步骤：（1）开发生命体征测量模块（Vital-Sign Measurement Module）；（2）开发检伤分类决策支持模块（Triage Decision Support Module）；（3）开发用户界面与数据传输模块（User Interfaces and Data Transmission Module），以实现调度中心与响应团队之间的信息传输。在生命体征测量模块中，分别使用以下技术开发了心率（heart rate, HR）、呼吸频率（respiratory rate, RR）、氧饱和度（oxygen saturation, SpO₂）和体温（body temperature, BT）测量算法：基于视频的光电容积描记术（video-based photoplethysmography, vPPG）、鼻部周围热温度波动分析、基于回归的神经网络方法以及热图和热阈值分割。在受控室内条件下进行了一项初步研究，以评估这些算法的准确性。结果：该系统可通过处理无人机捕获的图像来测量生命体征，可提供检伤分类决策支持，并可通过专用用户界面将伤员位置、生命体征和检伤分类类别传输至响应团队和调度中心。对生命体征测量模块的初步评估显示，非接触生命体征测量算法的相对准确率范围为86%至99%。结论：该系统通过实现远程检伤分类和监测，为改善MCIs中的医疗响应管理提供了一种创新方法。其非接触生命体征测量、检伤分类决策支持和近实时数据传输能力提供了一种基础设施，可有助于更快响应和改善行动协调。然而，需要进一步的现场试验和开发，以提高生命体征测量算法对运动的稳健性，改善其对不断变化环境条件的适应性，并在个体差异存在的情况下保持高准确率。

论文解读：无人机集成人工智能系统用于大规模伤亡事件检伤分类与远程监测

研究背景：近年来，气候变化、自然灾害和战乱冲突可增加大规模伤亡事件（mass-casualty incidents, MCIs，指突发造成大量伤员并扰乱常规医疗系统的事件）。MCIs共同特征为常规医疗运行受扰和紧急医疗服务需求骤增。有效管理要求现场队伍快速进入，并进行不中断的信息采集、分析和传输。但Las Vegas枪击事件和Boston Marathon爆炸案显示，安全威胁可能延迟响应队伍进入；与现场通信失败可导致死亡率增加、疏散时间延长、医院过度拥挤和医院准备延迟。实时数据传输和现场监测因此是MCIs医疗管理关键。现场检伤分类（triage，按紧急程度对伤员优先分类）是现场医疗第一步，但支持既有算法的科学证据有限，且大量伤员、现场复杂和安全担忧会阻碍遵循方案。无人机（unmanned aerial vehicles, UAVs）已用于现场扫描、态势感知和图像传输；随着图像处理可远程评估生命体征，其在MCI检伤中潜力扩大。Garcia等开发了依赖无人机图像视觉检查的检伤模型；M?sch等通过处理无人机图像提取脉搏和呼吸频率（respiratory rate, RR）；Lu等将基于人工智能（artificial intelligence, AI）的无人机系统用于检测伤员体位。但据研究人员所知，尚无系统在同一平台整合基于图像和信号处理的生命体征测量、AI辅助检伤决策支持、实时伤员位置数据和现场安全信息，并传输至调度中心和响应团队。因此，本研究介绍“无人机集成、基于AI的大规模伤亡检伤分类决策支持系统”（Drone-Integrated, AI-Based Mass-Casualty Triage Decision Support System, DIABMaCTDeS）及多模块平台。

研究人员开展研究与结论：该多组件远程检伤与监测系统使用无人机进行快速现场评估，通过图像处理测量生命体征，基于AI决策过程确定紧急程度，并将现场安全、医疗状态和伤员位置近实时传输至调度中心和现场团队。研究结论为：系统可通过处理无人机图像测量生命体征、提供检伤决策支持，并通过专用界面传输位置、生命体征和检伤类别。其意义是提供创新方法改善MCIs医疗响应管理，非接触生命体征测量、检伤决策支持和近实时数据传输可促进更快响应和行动协调；但仍需现场试验与开发，以提高算法对运动稳健性、环境适应性和个体差异下准确率。

关键技术方法：系统开发分三步：生命体征测量模块、检伤决策支持模块、用户界面与数据传输模块。生命体征测量使用无人机RGB（red, green, blue）和红外图像，开发心率（heart rate, HR）、RR、氧饱和度（oxygen saturation, SpO₂）和体温（body temperature, BT）算法，技术包括基于视频的光电容积描记术（video-based photoplethysmography, vPPG）、鼻部热温度波动分析、回归神经网络、热图和热阈值分割。决策支持模块使用匿名创伤患者记录数据集，以自适应合成采样（Adaptive Synthetic Sampling, ADASYN）处理类不平衡，训练并比较Logistic Regression、Support Vector Machine、Deep Neural Network和Random Forest，随机森林作为决策引擎；检伤标签由无人机集成大规模伤亡检伤分类算法（Drone-Integrated Mass-Casualty Triage Algorithm, DIMaCTA）生成。用户界面采用WebSocket协议。初步评估纳入15名健康志愿者，在受控室内距相机180 cm静止测量。

研究结果：
系统技术特征（Technical Characteristics of the System）：系统整合vPPG、热波动分析和回归神经网络，对无人机RGB和热图像处理，实现RR、HR、SpO₂和BT非接触测量；将生命体征、检伤分类、伤员位置和现场安全信息汇总为单一数据流近实时传输至调度中心和响应团队；用户界面可同时显示现场安全、紧急程度和地理位置。
生命体征测量算法的初步评估（Pilot Evaluation of the Vital-Sign Measurement Algorithms）：15名健康志愿者（86.7%男性；平均年龄32.9 [SD=6.7]岁）中，SpO₂平均相对准确率99.1%（95% CI 98.754–99.432），RMSE 1.05，MSE 1.11，MAE 0.88；BT 98.3%（97.761–98.904），RMSE 0.70，MSE 0.49，MAE 0.61；脉搏97.3%（96.221–98.442），RMSE 2.89，MSE 8.37，MAE 2.28；RR 85.7%（80.005–91.455），RMSE 2.88，MSE 8.28，MAE 2.37。非接触生命体征测量算法相对准确率为86%至99%。

讨论部分总结：DIABMaCTDeS利用AI、图像处理和无人机技术为现场团队提供检伤决策支持并增强数据传输。有效安全的数据传输对MCIs中伤员转运和现场医疗管理至关重要；Hurricane Katrina和Japan earthquake/tsunami等表明传统方法和手工表格不足，信息传递失败仍是当代响应中的持续问题。与既有系统不同，该平台可在团队到达前传递伤员位置和紧急程度，支持优先处理最危重伤员和疏散规划。通信使用WebSocket协议，在无人机与地面控制站本地无线网络中实时通信，当前不依赖互联网；但可能受本地网络故障或严重环境条件影响，未来探索mesh networking和冗余通信链路。无人机集成可提前进入现场，适用于城市、农村和偏远地区，并在不使响应者冒险下进行安全评估和信息获取；关键要求是伤员体位允许获取高质量图像和生理信号。系统选择面部区域因灌注高，但伤员面部不一定可见；未来将扩展至颈部、手掌、上肢和下肢。相机生命体征测量对光照、运动、肤色和距离敏感；本研究准确率来自理想室内条件，不能解释为真实MCIs性能。近期方法如Napolean等的时间超像素和卷积神经网络、MAR-rPPG、RS+rPPG和BeatFormer显示改善运动稳健性潜力。当前系统应视为概念验证，临床适用性尚待真实MCI条件确立。现场检伤需依据伤员瞬时状况，未重新评估可能使需紧急治疗者未及时治疗；系统旨在支持现场期间周期性再评估。无人机检伤依赖远程评估，文献综述未发现广泛接受且验证的无人机检伤参考标准；START、SALT和Triage Sieve主要为主现场直接评估开发，含需体格检查或立即干预步骤，不能总通过无人机完成；Garcia等首个空中检伤方法未包含生命体征。DIMaCTA结合远程可观察发现与生理测量，但AI模型使用DIMaCTA生成标签训练，其性能表示复现决策逻辑，而非临床优越性；未来需独立专家评估和真实MCI比较。伦理与操作方面，紧急检伤中几乎无法获得远程评估同意，数据存储和传输涉及敏感伦理问题；AI决策错误风险通过由授权卫生专业人员确认或修改来降低，并应遵守航空法规、隐私立法和地方政策。操作可行性受空域、结构、天气、电池续航和数据传输问题影响；系留无人机、移动充电站、热插拔电池、备用无人机、能量感知任务规划、太阳能辅助无人机和无线充电等被提出但多仍开发中。局限性包括完整系统未在大规模现场演练验证；检伤决策支持模型外部效度受限，因回顾性数据集为创伤患者记录，未充分代表MCIs中损伤机制、年龄、毒物暴露和非创伤急症多样性；生命体征算法仅在有限健康、静止志愿者、固定距离和受控环境评估；强电磁干扰时需将图像处理模块改为机载运行。

结论部分翻译：本研究介绍了一种概念验证系统，整合了非接触生命体征测量、检伤分类决策支持以及向响应团队和调度中心的近实时数据传输。通过将这些功能组合在模块化架构中，所提出的平台为未来开发MCIs远程检伤方法提供了基础。然而，当前发现证明了初步技术可行性，而非操作有效性，该系统尚不应被视为已经验证的操作解决方案。需要在真实环境和真实大规模伤亡条件下进行进一步评估，包括大规模现场演练和系统用户反馈，以评估其性能、可用性、稳健性和操作适用性。