引用本文： 張衡, 馬曉東, 王家芹, 官建中, 李寬新, 趙建寧, 周建生. 人工智能技術在創傷救治中的應用與研究進展. 中國修復重建外科雜志, 2023, 37(11): 1431-1437. doi: 10.7507/1002-1892.202308003 復制
版權信息： ?四川大學華西醫院華西期刊社《中國修復重建外科雜志》版權所有，未經授權不得轉載、改編
近年來，隨著工農業、交通運輸業及體育等行業的迅猛發展，各種原因造成的創傷日趨增多。由于致傷因素多元化，損傷機制愈發復雜，臨床醫生面臨著復雜創傷救治[1]。據統計，我國每年因創傷就醫的患者高達6 200萬人次，創傷致死人數達70萬～80萬人次，約占死亡總人數的9%，是第5位死亡原因[2]。傳統創傷救治模式注重人員分工、急救流程、醫療設備和技術的應用，以及專業團隊的合作，存在轉移程序復雜、診斷和評估延誤、人員和資源有限等多個弊端。為了提高創傷救治效率、優化創傷救治診療流程、改善預后[3]，傳統創傷救治模式亟待創新和突破。
人工智能（artificial intelligence，AI）指在復雜任務（如解決問題和決策）中以類似人類的理性思維行事。AI技術在醫學領域中的應用，早期主要偏向于模擬人類專家的知識和經驗，協助醫生進行診斷和治療。隨著神經卷積網絡算法、隨機森林算法等技術的廣泛使用，學者們開始聚焦于深度學習技術的應用，使得AI技術在創傷救治領域應用更加深入，例如基于圖像處理的自動化診斷、基于語音識別的電子病歷及自然語言處理等。但現有AI技術的應用主要關注在單一認知能力上接近或超越人類智能，缺乏對于創傷整體救治這一復雜問題的處理能力。對此，Jin等[4]引入了一種廣泛學習算法，基于不同隨機特征的多判斷生成對抗網絡方法（multi-discriminator generative adversarial network based on feature separation，GMAN-S），提出了基于廣義判別器的訓練模型。結果表明，GMAN-S訓練模型比基礎模型性能更好。 Fei等[5]開發了一個用大量多模態數據預訓練的基礎模型，該方法是通過自監督學習，使用從互聯網上抓取的弱語義相關數據進行預訓練。上述研究為利用AI技術來解決創傷救治中的復雜問題奠定了基礎。
目前，AI技術在創傷救治中的應用與研究進展主要集中在手術機器人和創傷后應激障礙（post-traumatic stress disorder，PTSD）風險轉歸預測，但鮮有學者圍繞AI技術在一體化創傷救治系統中的應用展開深度探討。本文將從AI技術在院前援助、院內急救、PTSD風險轉歸預測中的應用現狀三方面進行闡述，旨在提高醫護人員對創傷救治中AI技術應用的認知，為該技術應用于創傷救治提供參考。
1 AI技術在院前援助中的應用
1.1 創傷預測
創傷預測是利用臨床數據（如生理參數、病史等）、影像學和生化檢驗等手段，結合AI、機器學習算法等技術，對患者可能出現的創傷進行預測和評估[5]。通過分析患者數據，建立預測模型，并根據此模型預測患者未來發生創傷的可能性，有助于提前采取預防措施，降低患者因意外事件受傷或死亡的風險。在高風險群體，如老年人、心血管病患者、呼吸系統疾病患者等，通過對患者數據進行監測和分析，可以及時預測可能出現的創傷情況，并采取相應的預防措施，以提高治療效果并減少并發癥的發生。
在創傷預測中，有關機動車碰撞研究最多，通過多層感知器、人工神經網絡，根據汽車運動（例如重力、漂移角度）和環境（例如天氣）因素預測碰撞發生可能性。Elamrani Abou Elassad等[6]設計了基于機器學習技術的支持向量機和深度神經網絡多層感知器，這種AI模型在機動車碰撞預測、危重患者分診工作中取得了良好效果, 提高了診斷和治療效率。預測患者的創傷救治需求還可以幫助醫院進行資源規劃和管理。醫院可以根據預測結果，合理安排床位、手術室和醫療設備，調配醫護人員，避免資源浪費和分配不平衡。局部創傷護理和區域創傷系統能通過預測各個中心患者流量，確保創傷患者在最短時間內接受最合適的醫療護理，提高生存率和康復率。Stonko等[7]通過Levenberg-Marquardt反向傳播算法訓練了具有10個S型隱匿神經元的兩層前饋網絡，整合時間和天氣數據，創建一個人工神經網絡來預測Ⅰ級創傷中心的創傷患者量和緊急手術量。創傷性休克是導致創傷患者死亡的重要原因，關注此類患者預后具有重要意義。張晗等[8]基于決策樹、邏輯回歸、隨機森林3種分類算法，構建基于入院生命體征、入院血氣分析等早期指標的機器學習模型，比較不同模型對281例創傷性休克患者的預測效能，并選擇最佳模型進行外部驗證。結果顯示隨機森林模型的準確率、精確率、召回率、F值、受試者操作特征曲線下面積（area under the curve，AUC）等分類器性能指標均值均達0.8以上，在50例外部驗證集中隨機森林模型表現與內部驗證相似，提示機器學習在預測創傷性休克患者院內生存方面具有較好應用前景，可輔助醫務人員進行醫療決策，結合規劃與決策技術構建基于智能分類的創傷預警系統，有效地對患者進行分類，保證患者生命安全。
1.2 創傷援助
創傷有一個挽救的黃金期，在此期間實施及時、有效的治療可以改善患者預后，因此就診時間尤為重要。AI技術可以快速對患者信息進行收集、診斷和匹配，提供即時響應[9]。基于深度學習的流程整合在創傷急救中的應用，Liang 等[10]發現試驗組將路徑無線傳感器網絡測量與流程再造整合到醫療信息系統下后，康復患者比例（55.91%）明顯優于傳統對照組，整個創傷網絡的反應時間縮短。Stonko等[7]提出算法可用于分析患者創傷嚴重程度，實現遠程檢測和監測患者身體狀況，及時準確地發現任何可能存在的危險狀況，幫助患者得到及時援助[11]。一旦到達現場，緊急服務人員可根據AI技術提供的患者創傷嚴重程度分類直接予以搶救。對于接收醫院，這些工具可用于預測急診科的創傷患者量，以幫助人員分配。
2 AI 在院內急救中的應用
創傷患者院內急救風險高、工作量大，臨床醫師面臨巨大的勞動強度和工作壓力。AI技術可以通過分析和挖掘臨床及醫學數據庫，進行自動化診斷和治療，從而幫助醫務人員更快地做出正確的診斷和治療決策[12]，保證危重患者的最佳救治時機，對于傷情轉歸至關重要。
2.1 創傷診斷
氣管插管、呼吸機治療、輸血、CT掃描、胸腔閉式引流、手術開始時間以及在復蘇室時間、住院時間是時間集合體，創傷診斷需在短時間內完成多系統檢測指標的基礎上及時完成，而AI技術可以發揮重要作用。Wang等[13]探討了Medicalsystem重創系統的創傷時間軸管理在嚴重創傷患者治療中的應用，結果顯示在應用該系統后入院的患者，其死亡率較應用前入院患者降低了8.6%，處理時間明顯縮短。
創傷常合并骨折，經過訓練的算法模型能夠精確判斷骨折傷情并選擇治療方案[14]。劉想等[15]對393例患者的肋骨創傷進行了分析，結果顯示AI技術對肋骨骨折檢測的敏感度、特異度、陽性預測值、陰性預測值分別為94.57%、98.26%、51.94%和99.89%。AI技術還有望應用于急性胸部損傷CT圖像的初步篩選及危險程度分級。與此類似，外傷患者緊急搶救時所使用的超聲檢查，其診斷率也隨著AI技術的發展顯著提高。趙佳琦等[16]通過骨骼肌超聲圖像的計算機紋理分析技術，對骨骼肌損傷修復過程中各階段聲像特點進行定量探索，使用超聲造影法觀察損傷修復過程中骨骼肌血管分布特征，再利用組織學方法分析損傷修復過程中骨骼肌纖維結構、膠原分布特征以及血管化程度及其排列分布特點，以期為臨床尋找骨骼肌損傷量化評估指標奠定理論基礎[17]。此外，在腹部和冠狀動脈CT檢查時，應用大型成像數據集與高質量注釋相結合的深度學習圖像重建（deep learning image reconstruction，DLIR）算法在應用較低輻射劑量條件下即可捕獲隱藏在介質后的清晰物體圖像[18]，提高或保持圖像質量。Higaki等[19]用濾波反向投影重建幻影圖像，混合迭代重建、基于模型的迭代重建和DLIR，通過計算CT數和噪聲功率譜的標準差噪聲表征，發現在DLIR圖像上圖像噪聲較低，高對比度空間分辨率和基于任務的可探測性優于使用其他技術重建的圖像。
2.2 創傷治療
臨床救治創傷患者時，在明確診斷后基于患者生命體征等實際情況準確選擇手術路徑是核心問題，手術機器人系統為解決該問題提供了方案。理想的手術機器人系統應對手術目的有一定“理解”并能識別手術必要信息，包括手術環境、計劃和目標，提高切割和縫合準確性，并計劃和指導整個手術[20]。深度學習在創傷骨科救治方面展示出良好的應用效果。Ryan等[21]探討了基于“主動約束”概念的骨科系統Arthrobot用于人工全髖關節置換術的臨床療效，結果表明機器人輔助下假體植入精準性和安全性得到提高，早期療效滿意。Li等[22]比較了傳統熒光透視輔助經皮骶髂關節螺釘植入術與TiRobot機器人輔助螺釘植入術療效，結果顯示機器人輔助螺釘植入準確率更高，且螺釘調整次數更少。Sutherland等[23]評估了NeuroArm系統對神經外科手術的圖像導航效能，發現整個系統對MRI成像無干擾，并可完成多維動作，有望減少創傷，縮短術后恢復期。
目前，手術機器人在創傷救治中的應用主要為多端口腹腔鏡機器人、單端口腹腔鏡機器人和機器人針插入系統。達芬奇外科系統是目前應用最多的多端口腹腔鏡機器人，其配備鑷子、鉤子和針刀等儀器[24]，第4個手臂裝有能夠放大15倍的相機來提供三維高清相機視覺，還具有交互式顯示觸摸屏[25]。 2013年， Mega等[26]采用達芬奇S HD手術系統（Intuitive Surgical公司，美國）輔助58例重度二尖瓣關閉不全成年患者的二尖瓣修復術，手術均順利完成，提示手術機器人輔助二尖瓣修復術安全。2010年，Intuitive Surgical公司研發了達芬奇Si系統，具有對模擬和訓練特別重要的雙控制臺，具備更先進的臨床手術治療能力、流水線式設計系統以及多種擴展功能使手術室設備一體化的3項核心特點。達芬奇Si系統通過三維視覺放大視野，通過機械臂和手術工具消除醫生手顫動，實現高度敏感操作。Kira等[27]回顧分析了38例采用達芬奇Si系統輔助腹腔鏡腎部分切除術的患者臨床資料，結果表明術中應根據不同腫瘤位置考慮使用第4臂。2018年，Kim等[28]對尸體標本進行經口機器人手術，結果顯示達芬奇Xi系統優于Si系統，可以改善解剖學通路，為手術流程提供最佳方案指導，從而改善了經口機器人手術效果。2019年，Huang等[29]的研究顯示達芬奇Xi系統可改善結直腸癌手術圍術期結局，回腸造口分流率較低，創傷救治手術時間更短，估計失血量更少，患者術后恢復更快。
單端口腹腔鏡手術是由單一創口向腹腔置入多個器械開展手術，相比傳統多孔腔鏡手術具有更微創、恢復快等優點[30]。2015年，Tsuda等[31]報道使用達芬奇單端口系統進行胃腸道手術。術中該系統能進入狹窄的工作空間，同時保持高質量視覺、精度和控制，但是與傳統腹腔鏡手術相比價格昂貴。2017年，Funk等[32]采用 Flex Robotic System（MedRobotics公司，美國）的“蠕動技術”實現無創傷的經口聲門上喉切除術和全喉切除術，該系統靈活的鉸接式內窺鏡實現了無創傷手術。2022年， Samalavicius等[33]報道使用SenhanceTM外科手術機器人系統（TransEnterix公司，美國）進行結直腸手術安全可行。同時，該系統采用了標準可重復使用的器械和開放平臺架構戰略，有效降低了機器人手術費用。
除此以外，創傷研究和使用最廣泛的技術是CT、 MRI和超聲成像[34]。在創傷外科中，可視化導航是非常重要的一項技術，與 MRI、CT等影像相結合，可以更精確定位并切除損傷部位，最大程度保留正常組織。“天璣”手術導航系統最大優點是可以進行術中導航，根據患者實際情況進行快速三維重建，并自動調整手術路線[35]。
隨著手術機器人的發展，智能數字手術室對手術醫療設備進行高度集合與集成，可以在實際設備操作之前，用于醫生計算機輔助培訓、手術初步規劃、后期分析和模擬。2023年， Prokhorenko等[36]開發了原型機器人接口實施方案，使KUKA LBR Med 14 R820醫療機器人能夠使用FRI協議進行操作，并在真實設備及其數字孿生體上進行實驗。隨著生物仿生學、材料科學等交叉學科的不斷發展，未來將出現更為先進和高效的手術機器人，并逐步實現自主完成復雜、危險和特殊手術的目標。見表1。
表1
應用于創傷治療的手術機器人
Table1.
Surgical robots for trauma treatment
3 AI 技術在PTSD風險轉歸預測的應用
PTSD是指個體經歷、目睹或遭遇與其自身或他人死亡相關的事件，或由于精神上、生理上的損傷或其他因素導致的一種或多種精神障礙。數據顯示全球范圍內超過70%的人在生命中至少會有1次心理創傷，而有31%的人會有4次以上的心理創傷[37]。PTSD可導致自殺、二次精神疾病、藥物濫用、功能障礙等，嚴重危害人類健康，傳統臨床診療手段很難實現快速、客觀及準確診斷。近年，隨著 AI大數據統計分析和計算機視覺技術的智能診斷系統發展，AI技術也廣泛應用于輔助預測PTSD風險轉歸[38]。鄧傲騫等[39]以長沙市628名消防員為研究對象，采用合成少數類過采樣技術處理數據集，使用網格搜索進行超參數調優。通過5折交叉驗證，并采用AUC、準確度、精確率、召回率和F1分數比較多種常用機器學習模型的預測能力。研究表明通過隨機森林構建的長沙市消防員患PTSD預測模型具有較強的預測能力，心理特征和工作情況是消防員的預測因子。同時，PTSD還會對兒童的成長產生不良影響[40]。機器學習可以處理海量的數據和變量，逐步用于兒童PTSD的早期預測、識別和輔助診斷等方面。相對于傳統的自我報告診斷，采用機器學習方法對 PTSD進行識別與診斷具有高效、客觀、準確以及節省資源等優點[41]。
4 AI技術在創傷救治中的局限性
目前，AI技術在創傷救治中應用有限，主要存在以下方面局限性。① 在創傷救治中，AI技術可能需要一定時間來分析和處理數據，一些應用條件限制可能會延遲治療的開始，包括時間限制、地域限制等。② AI的學習和決策都是基于歷史數據，如果歷史數據存在偏差，AI分析結果也會存在偏差。③ AI技術能夠處理大量數據和算法，但創傷救治中患者的癥狀、表現等因素往往無法被簡單算法所捕捉，從而影響其應用效果。其次，AI需要大量數據進行訓練和學習，但在創傷救治中，特定類型的創傷數據可能很難獲得，而且創傷救治中的醫療診斷專科化也導致AI綜合性診療輔助能力不足。④ 隨著深度學習和解釋透明化模塊在各種AI研究領域取得了巨大成功，AI決策更容易被大眾接受，但如何正確處理倫理和道德問題成為一個重要挑戰，涉及到AI系統決策、隱私保護、公平性等方面。AI技術在創傷救治中具有一定應用潛力，但在實際應用中可能無法完全預測和解決所有問題，醫生需要權衡AI建議以及自己專業判斷，以選擇最佳創傷救治方案。
5 總結與展望
自AI技術初次應用于創傷救治已有 40余年歷史，從救援現場到醫院手術室，在其輔助下創傷救治更加高效、準確、快速。應急救援體系在近年來也迅速發展，成為創傷救治的重要組成部分。應用數據挖掘和大數據技術分析得到的各種創傷救援模型，在災難救援現場對困難區域進行的探測以及信息收集，使得救援人員能夠更加高效地進行救援操作，從而為各類創傷救援提供更加精準、快速的支持，減少患者損失。在醫院手術室，智慧醫療將空間立體導航技術、計算機圖像處理和臨床實踐相結合，為醫生提供更準確可靠的支持[42]。基于患者影像數據，通過深度學習等技術進行的自動診斷和分析，能幫助醫生對患者進行更精準的診斷和治療。通過分析大量患者數據，建立預測模型，AI技術還可以幫助醫生更加準確地預測患者康復情況和生存率。同時，AI技術還可以為醫生提供一些決策的支持，幫助醫生更加客觀地評估患者病情、規劃手術方案、輔助手術，保證手術的成功率和安全性。見圖1。
圖1
AI技術在創傷救治中的應用示意圖
Figure1.
Schematic diagram of the application of AI technology in trauma treatment
AI技術在創傷救治中具有一定潛力，但是需要建設一個能夠實現數據共享的平臺，這個平臺可以從多個醫院和醫療設備中獲取數據，進而運用AI算法來分析和提取有用信息。AI技術將根據患者的個體差異，制定更加個性化的治療方案。通過運用機器學習算法，可以根據患者特征判斷治療需求，進而制定治療方案[43]。隨著 AI技術的不斷發展，數據庫、機器學習算法將會不斷提升，相關法律法規和醫學倫理規定也將進一步完善。
利益沖突 在課題研究和文章撰寫過程中不存在利益沖突
作者貢獻聲明 張衡、馬曉東：文章撰寫及修改；趙建寧、周建生：觀點形成；官建中、李寬新：對文章的知識性內容作批評性審閱；王家芹：文獻資料的收集及整理
近年來，隨著工農業、交通運輸業及體育等行業的迅猛發展，各種原因造成的創傷日趨增多。由于致傷因素多元化，損傷機制愈發復雜，臨床醫生面臨著復雜創傷救治[1]。據統計，我國每年因創傷就醫的患者高達6 200萬人次，創傷致死人數達70萬～80萬人次，約占死亡總人數的9%，是第5位死亡原因[2]。傳統創傷救治模式注重人員分工、急救流程、醫療設備和技術的應用，以及專業團隊的合作，存在轉移程序復雜、診斷和評估延誤、人員和資源有限等多個弊端。為了提高創傷救治效率、優化創傷救治診療流程、改善預后[3]，傳統創傷救治模式亟待創新和突破。
人工智能（artificial intelligence，AI）指在復雜任務（如解決問題和決策）中以類似人類的理性思維行事。AI技術在醫學領域中的應用，早期主要偏向于模擬人類專家的知識和經驗，協助醫生進行診斷和治療。隨著神經卷積網絡算法、隨機森林算法等技術的廣泛使用，學者們開始聚焦于深度學習技術的應用，使得AI技術在創傷救治領域應用更加深入，例如基于圖像處理的自動化診斷、基于語音識別的電子病歷及自然語言處理等。但現有AI技術的應用主要關注在單一認知能力上接近或超越人類智能，缺乏對于創傷整體救治這一復雜問題的處理能力。對此，Jin等[4]引入了一種廣泛學習算法，基于不同隨機特征的多判斷生成對抗網絡方法（multi-discriminator generative adversarial network based on feature separation，GMAN-S），提出了基于廣義判別器的訓練模型。結果表明，GMAN-S訓練模型比基礎模型性能更好。 Fei等[5]開發了一個用大量多模態數據預訓練的基礎模型，該方法是通過自監督學習，使用從互聯網上抓取的弱語義相關數據進行預訓練。上述研究為利用AI技術來解決創傷救治中的復雜問題奠定了基礎。
目前，AI技術在創傷救治中的應用與研究進展主要集中在手術機器人和創傷后應激障礙（post-traumatic stress disorder，PTSD）風險轉歸預測，但鮮有學者圍繞AI技術在一體化創傷救治系統中的應用展開深度探討。本文將從AI技術在院前援助、院內急救、PTSD風險轉歸預測中的應用現狀三方面進行闡述，旨在提高醫護人員對創傷救治中AI技術應用的認知，為該技術應用于創傷救治提供參考。
1 AI技術在院前援助中的應用
1.1 創傷預測
創傷預測是利用臨床數據（如生理參數、病史等）、影像學和生化檢驗等手段，結合AI、機器學習算法等技術，對患者可能出現的創傷進行預測和評估[5]。通過分析患者數據，建立預測模型，并根據此模型預測患者未來發生創傷的可能性，有助于提前采取預防措施，降低患者因意外事件受傷或死亡的風險。在高風險群體，如老年人、心血管病患者、呼吸系統疾病患者等，通過對患者數據進行監測和分析，可以及時預測可能出現的創傷情況，并采取相應的預防措施，以提高治療效果并減少并發癥的發生。
在創傷預測中，有關機動車碰撞研究最多，通過多層感知器、人工神經網絡，根據汽車運動（例如重力、漂移角度）和環境（例如天氣）因素預測碰撞發生可能性。Elamrani Abou Elassad等[6]設計了基于機器學習技術的支持向量機和深度神經網絡多層感知器，這種AI模型在機動車碰撞預測、危重患者分診工作中取得了良好效果, 提高了診斷和治療效率。預測患者的創傷救治需求還可以幫助醫院進行資源規劃和管理。醫院可以根據預測結果，合理安排床位、手術室和醫療設備，調配醫護人員，避免資源浪費和分配不平衡。局部創傷護理和區域創傷系統能通過預測各個中心患者流量，確保創傷患者在最短時間內接受最合適的醫療護理，提高生存率和康復率。Stonko等[7]通過Levenberg-Marquardt反向傳播算法訓練了具有10個S型隱匿神經元的兩層前饋網絡，整合時間和天氣數據，創建一個人工神經網絡來預測Ⅰ級創傷中心的創傷患者量和緊急手術量。創傷性休克是導致創傷患者死亡的重要原因，關注此類患者預后具有重要意義。張晗等[8]基于決策樹、邏輯回歸、隨機森林3種分類算法，構建基于入院生命體征、入院血氣分析等早期指標的機器學習模型，比較不同模型對281例創傷性休克患者的預測效能，并選擇最佳模型進行外部驗證。結果顯示隨機森林模型的準確率、精確率、召回率、F值、受試者操作特征曲線下面積（area under the curve，AUC）等分類器性能指標均值均達0.8以上，在50例外部驗證集中隨機森林模型表現與內部驗證相似，提示機器學習在預測創傷性休克患者院內生存方面具有較好應用前景，可輔助醫務人員進行醫療決策，結合規劃與決策技術構建基于智能分類的創傷預警系統，有效地對患者進行分類，保證患者生命安全。
1.2 創傷援助
創傷有一個挽救的黃金期，在此期間實施及時、有效的治療可以改善患者預后，因此就診時間尤為重要。AI技術可以快速對患者信息進行收集、診斷和匹配，提供即時響應[9]。基于深度學習的流程整合在創傷急救中的應用，Liang 等[10]發現試驗組將路徑無線傳感器網絡測量與流程再造整合到醫療信息系統下后，康復患者比例（55.91%）明顯優于傳統對照組，整個創傷網絡的反應時間縮短。Stonko等[7]提出算法可用于分析患者創傷嚴重程度，實現遠程檢測和監測患者身體狀況，及時準確地發現任何可能存在的危險狀況，幫助患者得到及時援助[11]。一旦到達現場，緊急服務人員可根據AI技術提供的患者創傷嚴重程度分類直接予以搶救。對于接收醫院，這些工具可用于預測急診科的創傷患者量，以幫助人員分配。
2 AI 在院內急救中的應用
創傷患者院內急救風險高、工作量大，臨床醫師面臨巨大的勞動強度和工作壓力。AI技術可以通過分析和挖掘臨床及醫學數據庫，進行自動化診斷和治療，從而幫助醫務人員更快地做出正確的診斷和治療決策[12]，保證危重患者的最佳救治時機，對于傷情轉歸至關重要。
2.1 創傷診斷
氣管插管、呼吸機治療、輸血、CT掃描、胸腔閉式引流、手術開始時間以及在復蘇室時間、住院時間是時間集合體，創傷診斷需在短時間內完成多系統檢測指標的基礎上及時完成，而AI技術可以發揮重要作用。Wang等[13]探討了Medicalsystem重創系統的創傷時間軸管理在嚴重創傷患者治療中的應用，結果顯示在應用該系統后入院的患者，其死亡率較應用前入院患者降低了8.6%，處理時間明顯縮短。
創傷常合并骨折，經過訓練的算法模型能夠精確判斷骨折傷情并選擇治療方案[14]。劉想等[15]對393例患者的肋骨創傷進行了分析，結果顯示AI技術對肋骨骨折檢測的敏感度、特異度、陽性預測值、陰性預測值分別為94.57%、98.26%、51.94%和99.89%。AI技術還有望應用于急性胸部損傷CT圖像的初步篩選及危險程度分級。與此類似，外傷患者緊急搶救時所使用的超聲檢查，其診斷率也隨著AI技術的發展顯著提高。趙佳琦等[16]通過骨骼肌超聲圖像的計算機紋理分析技術，對骨骼肌損傷修復過程中各階段聲像特點進行定量探索，使用超聲造影法觀察損傷修復過程中骨骼肌血管分布特征，再利用組織學方法分析損傷修復過程中骨骼肌纖維結構、膠原分布特征以及血管化程度及其排列分布特點，以期為臨床尋找骨骼肌損傷量化評估指標奠定理論基礎[17]。此外，在腹部和冠狀動脈CT檢查時，應用大型成像數據集與高質量注釋相結合的深度學習圖像重建（deep learning image reconstruction，DLIR）算法在應用較低輻射劑量條件下即可捕獲隱藏在介質后的清晰物體圖像[18]，提高或保持圖像質量。Higaki等[19]用濾波反向投影重建幻影圖像，混合迭代重建、基于模型的迭代重建和DLIR，通過計算CT數和噪聲功率譜的標準差噪聲表征，發現在DLIR圖像上圖像噪聲較低，高對比度空間分辨率和基于任務的可探測性優于使用其他技術重建的圖像。
2.2 創傷治療
臨床救治創傷患者時，在明確診斷后基于患者生命體征等實際情況準確選擇手術路徑是核心問題，手術機器人系統為解決該問題提供了方案。理想的手術機器人系統應對手術目的有一定“理解”并能識別手術必要信息，包括手術環境、計劃和目標，提高切割和縫合準確性，并計劃和指導整個手術[20]。深度學習在創傷骨科救治方面展示出良好的應用效果。Ryan等[21]探討了基于“主動約束”概念的骨科系統Arthrobot用于人工全髖關節置換術的臨床療效，結果表明機器人輔助下假體植入精準性和安全性得到提高，早期療效滿意。Li等[22]比較了傳統熒光透視輔助經皮骶髂關節螺釘植入術與TiRobot機器人輔助螺釘植入術療效，結果顯示機器人輔助螺釘植入準確率更高，且螺釘調整次數更少。Sutherland等[23]評估了NeuroArm系統對神經外科手術的圖像導航效能，發現整個系統對MRI成像無干擾，并可完成多維動作，有望減少創傷，縮短術后恢復期。
目前，手術機器人在創傷救治中的應用主要為多端口腹腔鏡機器人、單端口腹腔鏡機器人和機器人針插入系統。達芬奇外科系統是目前應用最多的多端口腹腔鏡機器人，其配備鑷子、鉤子和針刀等儀器[24]，第4個手臂裝有能夠放大15倍的相機來提供三維高清相機視覺，還具有交互式顯示觸摸屏[25]。 2013年， Mega等[26]采用達芬奇S HD手術系統（Intuitive Surgical公司，美國）輔助58例重度二尖瓣關閉不全成年患者的二尖瓣修復術，手術均順利完成，提示手術機器人輔助二尖瓣修復術安全。2010年，Intuitive Surgical公司研發了達芬奇Si系統，具有對模擬和訓練特別重要的雙控制臺，具備更先進的臨床手術治療能力、流水線式設計系統以及多種擴展功能使手術室設備一體化的3項核心特點。達芬奇Si系統通過三維視覺放大視野，通過機械臂和手術工具消除醫生手顫動，實現高度敏感操作。Kira等[27]回顧分析了38例采用達芬奇Si系統輔助腹腔鏡腎部分切除術的患者臨床資料，結果表明術中應根據不同腫瘤位置考慮使用第4臂。2018年，Kim等[28]對尸體標本進行經口機器人手術，結果顯示達芬奇Xi系統優于Si系統，可以改善解剖學通路，為手術流程提供最佳方案指導，從而改善了經口機器人手術效果。2019年，Huang等[29]的研究顯示達芬奇Xi系統可改善結直腸癌手術圍術期結局，回腸造口分流率較低，創傷救治手術時間更短，估計失血量更少，患者術后恢復更快。
單端口腹腔鏡手術是由單一創口向腹腔置入多個器械開展手術，相比傳統多孔腔鏡手術具有更微創、恢復快等優點[30]。2015年，Tsuda等[31]報道使用達芬奇單端口系統進行胃腸道手術。術中該系統能進入狹窄的工作空間，同時保持高質量視覺、精度和控制，但是與傳統腹腔鏡手術相比價格昂貴。2017年，Funk等[32]采用 Flex Robotic System（MedRobotics公司，美國）的“蠕動技術”實現無創傷的經口聲門上喉切除術和全喉切除術，該系統靈活的鉸接式內窺鏡實現了無創傷手術。2022年， Samalavicius等[33]報道使用SenhanceTM外科手術機器人系統（TransEnterix公司，美國）進行結直腸手術安全可行。同時，該系統采用了標準可重復使用的器械和開放平臺架構戰略，有效降低了機器人手術費用。
除此以外，創傷研究和使用最廣泛的技術是CT、 MRI和超聲成像[34]。在創傷外科中，可視化導航是非常重要的一項技術，與 MRI、CT等影像相結合，可以更精確定位并切除損傷部位，最大程度保留正常組織。“天璣”手術導航系統最大優點是可以進行術中導航，根據患者實際情況進行快速三維重建，并自動調整手術路線[35]。
隨著手術機器人的發展，智能數字手術室對手術醫療設備進行高度集合與集成，可以在實際設備操作之前，用于醫生計算機輔助培訓、手術初步規劃、后期分析和模擬。2023年， Prokhorenko等[36]開發了原型機器人接口實施方案，使KUKA LBR Med 14 R820醫療機器人能夠使用FRI協議進行操作，并在真實設備及其數字孿生體上進行實驗。隨著生物仿生學、材料科學等交叉學科的不斷發展，未來將出現更為先進和高效的手術機器人，并逐步實現自主完成復雜、危險和特殊手術的目標。見表1。
表1
應用于創傷治療的手術機器人
Table1.
Surgical robots for trauma treatment
3 AI 技術在PTSD風險轉歸預測的應用
PTSD是指個體經歷、目睹或遭遇與其自身或他人死亡相關的事件，或由于精神上、生理上的損傷或其他因素導致的一種或多種精神障礙。數據顯示全球范圍內超過70%的人在生命中至少會有1次心理創傷，而有31%的人會有4次以上的心理創傷[37]。PTSD可導致自殺、二次精神疾病、藥物濫用、功能障礙等，嚴重危害人類健康，傳統臨床診療手段很難實現快速、客觀及準確診斷。近年，隨著 AI大數據統計分析和計算機視覺技術的智能診斷系統發展，AI技術也廣泛應用于輔助預測PTSD風險轉歸[38]。鄧傲騫等[39]以長沙市628名消防員為研究對象，采用合成少數類過采樣技術處理數據集，使用網格搜索進行超參數調優。通過5折交叉驗證，并采用AUC、準確度、精確率、召回率和F1分數比較多種常用機器學習模型的預測能力。研究表明通過隨機森林構建的長沙市消防員患PTSD預測模型具有較強的預測能力，心理特征和工作情況是消防員的預測因子。同時，PTSD還會對兒童的成長產生不良影響[40]。機器學習可以處理海量的數據和變量，逐步用于兒童PTSD的早期預測、識別和輔助診斷等方面。相對于傳統的自我報告診斷，采用機器學習方法對 PTSD進行識別與診斷具有高效、客觀、準確以及節省資源等優點[41]。
4 AI技術在創傷救治中的局限性
目前，AI技術在創傷救治中應用有限，主要存在以下方面局限性。① 在創傷救治中，AI技術可能需要一定時間來分析和處理數據，一些應用條件限制可能會延遲治療的開始，包括時間限制、地域限制等。② AI的學習和決策都是基于歷史數據，如果歷史數據存在偏差，AI分析結果也會存在偏差。③ AI技術能夠處理大量數據和算法，但創傷救治中患者的癥狀、表現等因素往往無法被簡單算法所捕捉，從而影響其應用效果。其次，AI需要大量數據進行訓練和學習，但在創傷救治中，特定類型的創傷數據可能很難獲得，而且創傷救治中的醫療診斷專科化也導致AI綜合性診療輔助能力不足。④ 隨著深度學習和解釋透明化模塊在各種AI研究領域取得了巨大成功，AI決策更容易被大眾接受，但如何正確處理倫理和道德問題成為一個重要挑戰，涉及到AI系統決策、隱私保護、公平性等方面。AI技術在創傷救治中具有一定應用潛力，但在實際應用中可能無法完全預測和解決所有問題，醫生需要權衡AI建議以及自己專業判斷，以選擇最佳創傷救治方案。
5 總結與展望
自AI技術初次應用于創傷救治已有 40余年歷史，從救援現場到醫院手術室，在其輔助下創傷救治更加高效、準確、快速。應急救援體系在近年來也迅速發展，成為創傷救治的重要組成部分。應用數據挖掘和大數據技術分析得到的各種創傷救援模型，在災難救援現場對困難區域進行的探測以及信息收集，使得救援人員能夠更加高效地進行救援操作，從而為各類創傷救援提供更加精準、快速的支持，減少患者損失。在醫院手術室，智慧醫療將空間立體導航技術、計算機圖像處理和臨床實踐相結合，為醫生提供更準確可靠的支持[42]。基于患者影像數據，通過深度學習等技術進行的自動診斷和分析，能幫助醫生對患者進行更精準的診斷和治療。通過分析大量患者數據，建立預測模型，AI技術還可以幫助醫生更加準確地預測患者康復情況和生存率。同時，AI技術還可以為醫生提供一些決策的支持，幫助醫生更加客觀地評估患者病情、規劃手術方案、輔助手術，保證手術的成功率和安全性。見圖1。
圖1
AI技術在創傷救治中的應用示意圖
Figure1.
Schematic diagram of the application of AI technology in trauma treatment
AI技術在創傷救治中具有一定潛力，但是需要建設一個能夠實現數據共享的平臺，這個平臺可以從多個醫院和醫療設備中獲取數據，進而運用AI算法來分析和提取有用信息。AI技術將根據患者的個體差異，制定更加個性化的治療方案。通過運用機器學習算法，可以根據患者特征判斷治療需求，進而制定治療方案[43]。隨著 AI技術的不斷發展，數據庫、機器學習算法將會不斷提升，相關法律法規和醫學倫理規定也將進一步完善。
利益沖突 在課題研究和文章撰寫過程中不存在利益沖突
作者貢獻聲明 張衡、馬曉東：文章撰寫及修改；趙建寧、周建生：觀點形成；官建中、李寬新：對文章的知識性內容作批評性審閱；王家芹：文獻資料的收集及整理
