人工智能技術(shù)在創(chuàng)傷救治中的應(yīng)用與研究進展

目的     綜述人工智能（artificial intelligence，AI）技術(shù)在創(chuàng)傷救治中的應(yīng)用與研究進展。

方法     回顧近年有關(guān)AI及相關(guān)技術(shù)用于創(chuàng)傷救治的研究文獻，從院前援助、院內(nèi)急救、創(chuàng)傷后應(yīng)激障礙風險轉(zhuǎn)歸預(yù)測方面對應(yīng)用現(xiàn)狀進行總結(jié)，展望AI技術(shù)在創(chuàng)傷救治應(yīng)用中的發(fā)展趨勢。

結(jié)果     AI技術(shù)可以對大量臨床數(shù)據(jù)進行快速分析和處理，幫助醫(yī)生更準確地判斷創(chuàng)傷患者病情，預(yù)測可能的并發(fā)癥風險。AI技術(shù)應(yīng)用于手術(shù)輔助和機器人手術(shù)，可以實現(xiàn)精確的手術(shù)規(guī)劃和操作，減少患者手術(shù)風險，縮短手術(shù)時間，以提高創(chuàng)傷救治應(yīng)用的效率和遠期效果。

結(jié)論     AI技術(shù)在創(chuàng)傷救治中具有廣泛應(yīng)用前景，但是目前尚處于探索和發(fā)展階段，仍存在歷史數(shù)據(jù)偏差、應(yīng)用條件限制、倫理和道德問題有待解決。

正 文

近年來，隨著工農(nóng)業(yè)、交通運輸業(yè)及體育等行業(yè)的迅猛發(fā)展，各種原因造成的創(chuàng)傷日趨增多。由于致傷因素多元化，損傷機制愈發(fā)復(fù)雜，臨床醫(yī)生面臨著復(fù)雜創(chuàng)傷救治[1]。據(jù)統(tǒng)計，我國每年因創(chuàng)傷就醫(yī)的患者高達6 200萬人次，創(chuàng)傷致死人數(shù)達70萬～80萬人次，約占死亡總?cè)藬?shù)的9%，是第5位死亡原因[2]。傳統(tǒng)創(chuàng)傷救治模式注重人員分工、急救流程、醫(yī)療設(shè)備和技術(shù)的應(yīng)用，以及專業(yè)團隊的合作，存在轉(zhuǎn)移程序復(fù)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(chuàng)傷救治效率、優(yōu)化創(chuàng)傷救治診療流程、改善預(yù)后[3]，傳統(tǒng)創(chuàng)傷救治模式亟待創(chuàng)新和突破。

人工智能（artificial intelligence，AI）指在復(fù)雜任務(wù)（如解決問題和決策）中以類似人類的理性思維行事。AI技術(shù)在醫(yī)學領(lǐng)域中的應(yīng)用，早期主要偏向于模擬人類專家的知識和經(jīng)驗，協(xié)助醫(yī)生進行診斷和治療。隨著神經(jīng)卷積網(wǎng)絡(luò)算法、隨機森林算法等技術(shù)的廣泛使用，學者們開始聚焦于深度學習技術(shù)的應(yīng)用，使得AI技術(shù)在創(chuàng)傷救治領(lǐng)域應(yīng)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(xiàn)有AI技術(shù)的應(yīng)用主要關(guān)注在單一認知能力上接近或超越人類智能，缺乏對于創(chuàng)傷整體救治這一復(fù)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(wǎng)絡(luò)方法（multi-discriminator generative adversarial network ba[x]sed on feature separation，GMAN-S），提出了基于廣義判別器的訓練模型。結(jié)果表明，GMAN-S訓練模型比基礎(chǔ)模型性能更好。Fei等[5]開發(fā)了一個用大量多模態(tài)數(shù)據(jù)預(yù)訓練的基礎(chǔ)模型，該方法是通過自監(jiān)督學習，使用從互聯(lián)網(wǎng)上抓取的弱語義相關(guān)數(shù)據(jù)進行預(yù)訓練。上述研究為利用AI技術(shù)來解決創(chuàng)傷救治中的復(fù)雜問題奠定了基礎(chǔ)。

目前，AI技術(shù)在創(chuàng)傷救治中的應(yīng)用與研究進展主要集中在手術(shù)機器人和創(chuàng)傷后應(yīng)激障礙（post-traumatic stress disorder，PTSD）風險轉(zhuǎn)歸預(yù)測，但鮮有學者圍繞AI技術(shù)在一體化創(chuàng)傷救治系統(tǒng)中的應(yīng)用展開深度探討。本文將從AI技術(shù)在院前援助、院內(nèi)急救、PTSD風險轉(zhuǎn)歸預(yù)測中的應(yīng)用現(xiàn)狀三方面進行闡述，旨在提高醫(yī)護人員對創(chuàng)傷救治中AI技術(shù)應(yīng)用的認知，為該技術(shù)應(yīng)用于創(chuàng)傷救治提供參考。

1   AI技術(shù)在院前援助中的應(yīng)用

1.1   創(chuàng)傷預(yù)測

創(chuàng)傷預(yù)測是利用臨床數(shù)據(jù)（如生理參數(shù)、病史等）、影像學和生化檢驗等手段，結(jié)合AI、機器學習算法等技術(shù)，對患者可能出現(xiàn)的創(chuàng)傷進行預(yù)測和評估[5]。通過分析患者數(shù)據(jù)，建立預(yù)測模型，并根據(jù)此模型預(yù)測患者未來發(fā)生創(chuàng)傷的可能性，有助于提前采取預(yù)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(tǒng)疾病患者等，通過對患者數(shù)據(jù)進行監(jiān)測和分析，可以及時預(yù)測可能出現(xiàn)的創(chuàng)傷情況，并采取相應(yīng)的預(yù)防措施，以提高治療效果并減少并發(fā)癥的發(fā)生。

在創(chuàng)傷預(yù)測中，有關(guān)機動車碰撞研究多，通過多層感知器、人工神經(jīng)網(wǎng)絡(luò)，根據(jù)汽車運動（例如重力、漂移角度）和環(huán)境（例如天氣）因素預(yù)測碰撞發(fā)生可能性。Elamrani Abou Elassad等[6]設(shè)計了基于機器學習技術(shù)的支持向量機和深度神經(jīng)網(wǎng)絡(luò)多層感知器，這種AI模型在機動車碰撞預(yù)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(yù)測患者的創(chuàng)傷救治需求還可以幫助醫(yī)院進行資源規(guī)劃和管理。醫(yī)院可以根據(jù)預(yù)測結(jié)果，合理安排床位、手術(shù)室和醫(yī)療設(shè)備，調(diào)配醫(yī)護人員，避免資源浪費和分配不平衡。局部創(chuàng)傷護理和區(qū)域創(chuàng)傷系統(tǒng)能通過預(yù)測各個中心患者流量，確保創(chuàng)傷患者在短時間內(nèi)接受合適的醫(yī)療護理，提高生存率和康復(fù)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(jīng)元的兩層前饋網(wǎng)絡(luò)，整合時間和天氣數(shù)據(jù)，創(chuàng)建一個人工神經(jīng)網(wǎng)絡(luò)來預(yù)測Ⅰ級創(chuàng)傷中心的創(chuàng)傷患者量和緊急手術(shù)量。創(chuàng)傷性休克是導(dǎo)致創(chuàng)傷患者死亡的重要原因，關(guān)注此類患者預(yù)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(gòu)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(chuàng)傷性休克患者的預(yù)測效能，并選擇佳模型進行外部驗證。結(jié)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(xiàn)與內(nèi)部驗證相似，提示機器學習在預(yù)測創(chuàng)傷性休克患者院內(nèi)生存方面具有較好應(yīng)用前景，可輔助醫(yī)務(wù)人員進行醫(yī)療決策，結(jié)合規(guī)劃與決策技術(shù)構(gòu)建基于智能分類的創(chuàng)傷預(yù)警系統(tǒng)，有效地對患者進行分類，保證患者生命安全。

1.2   創(chuàng)傷援助

創(chuàng)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(yù)后，因此就診時間尤為重要。AI技術(shù)可以快速對患者信息進行收集、診斷和匹配，提供即時響應(yīng)[9]?；谏疃葘W習的流程整合在創(chuàng)傷急救中的應(yīng)用，Liang 等[10]發(fā)現(xiàn)試驗組將路徑無線傳感器網(wǎng)絡(luò)測量與流程再造整合到醫(yī)療信息系統(tǒng)下后，康復(fù)患者比例（55.91%）明顯優(yōu)于傳統(tǒng)對照組，整個創(chuàng)傷網(wǎng)絡(luò)的反應(yīng)時間縮短。Stonko等[7]提出算法可用于分析患者創(chuàng)傷嚴重程度，實現(xiàn)遠程檢測和監(jiān)測患者身體狀況，及時準確地發(fā)現(xiàn)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(xiàn)場，緊急服務(wù)人員可根據(jù)AI技術(shù)提供的患者創(chuàng)傷嚴重程度分類直接予以搶救。對于接收醫(yī)院，這些工具可用于預(yù)測急診科的創(chuàng)傷患者量，以幫助人員分配。

2   AI 在院內(nèi)急救中的應(yīng)用

創(chuàng)傷患者院內(nèi)急救風險高、工作量大，臨床醫(yī)師面臨巨大的勞動強度和工作壓力。AI技術(shù)可以通過分析和挖掘臨床及醫(yī)學數(shù)據(jù)庫，進行自動化診斷和治療，從而幫助醫(yī)務(wù)人員更快地做出正確的診斷和治療決策[12]，保證危重患者的佳救治時機，對于傷情轉(zhuǎn)歸至關(guān)重要。

2.1   創(chuàng)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(shù)開始時間以及在復(fù)蘇室時間、住院時間是時間集合體，創(chuàng)傷診斷需在短時間內(nèi)完成多系統(tǒng)檢測指標的基礎(chǔ)上及時完成，而AI技術(shù)可以發(fā)揮重要作用。Wang等[13]探討了Medicalsystem重創(chuàng)系統(tǒng)的創(chuàng)傷時間軸管理在嚴重創(chuàng)傷患者治療中的應(yīng)用，結(jié)果顯示在應(yīng)用該系統(tǒng)后入院的患者，其死亡率較應(yīng)用前入院患者降低了8.6%，處理時間明顯縮短。

創(chuàng)傷常合并骨折，經(jīng)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(chuàng)傷進行了分析，結(jié)果顯示AI技術(shù)對肋骨骨折檢測的敏感度、特異度、陽性預(yù)測值、陰性預(yù)測值分別為94.57%、98.26%、51.94%和99.89%。AI技術(shù)還有望應(yīng)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(shù)的發(fā)展提高。趙佳琦等[16]通過骨骼肌超聲圖像的計算機紋理分析技術(shù)，對骨骼肌損傷修復(fù)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(fù)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(fù)過程中骨骼肌纖維結(jié)構(gòu)、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(chǔ)[17]。此外，在腹部和冠狀動脈CT檢查時，應(yīng)用大型成像數(shù)據(jù)集與高質(zhì)量注釋相結(jié)合的深度學習圖像重建（deep learning image reconstruction，DLIR）算法在應(yīng)用較低輻射劑量條件下即可捕獲隱藏在介質(zhì)后的清晰物體圖像[18]，提高或保持圖像質(zhì)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(shù)和噪聲功率譜的標準差噪聲表征，發(fā)現(xiàn)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(wù)的可探測性優(yōu)于使用其他技術(shù)重建的圖像。

2.2   創(chuàng)傷治療

臨床救治創(chuàng)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(shù)路徑是核心問題，手術(shù)機器人系統(tǒng)為解決該問題提供了方案。理想的手術(shù)機器人系統(tǒng)應(yīng)對手術(shù)目的有一定“理解”并能識別手術(shù)必要信息，包括手術(shù)環(huán)境、計劃和目標，提高切割和縫合準確性，并計劃和指導(dǎo)整個手術(shù)[20]。深度學習在創(chuàng)傷骨科救治方面展示出良好的應(yīng)用效果。Ryan等[21]探討了基于“主動約束”概念的骨科系統(tǒng)Arthrobot用于人工全髖關(guān)節(jié)置換術(shù)的臨床療效，結(jié)果表明機器人輔助下假體植入精性和安全性得到提高，早期療效滿意。Li等[22]比較了傳統(tǒng)熒光透視輔助經(jīng)皮骶髂關(guān)節(jié)螺釘植入術(shù)與TiRobot機器人輔助螺釘植入術(shù)療效，結(jié)果顯示機器人輔助螺釘植入準確率更高，且螺釘調(diào)整次數(shù)更少。Sutherland等[23]評估了NeuroArm系統(tǒng)對神經(jīng)外科手術(shù)的圖像導(dǎo)航效能，發(fā)現(xiàn)整個系統(tǒng)對MRI成像無干擾，并可完成多維動作，有望減少創(chuàng)傷，縮短術(shù)后恢復(fù)期。

目前，手術(shù)機器人在創(chuàng)傷救治中的應(yīng)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(tǒng)。達芬奇外科系統(tǒng)是目前應(yīng)用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(shù)系統(tǒng)（Intuitive Surgical公司，美國）輔助58例重度二尖瓣關(guān)閉不全成年患者的二尖瓣修復(fù)術(shù)，手術(shù)均順利完成，提示手術(shù)機器人輔助二尖瓣修復(fù)術(shù)安全。2010年，Intuitive Surgical公司研發(fā)了達芬奇Si系統(tǒng)，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(shù)治療能力、流水線式設(shè)計系統(tǒng)以及多種擴展功能使手術(shù)室設(shè)備一體化的3項核心特點。達芬奇Si系統(tǒng)通過三維視覺放大視野，通過機械臂和手術(shù)工具消除醫(yī)生手顫動，實現(xiàn)高度敏感操作。Kira等[27]回顧分析了38例采用達芬奇Si系統(tǒng)輔助腹腔鏡腎部分切除術(shù)的患者臨床資料，結(jié)果表明術(shù)中應(yīng)根據(jù)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(jīng)口機器人手術(shù)，結(jié)果顯示達芬奇Xi系統(tǒng)優(yōu)于Si系統(tǒng)，可以改善解剖學通路，為手術(shù)流程提供佳方案指導(dǎo)，從而改善了經(jīng)口機器人手術(shù)效果。2019年，Huang等[29]的研究顯示達芬奇Xi系統(tǒng)可改善結(jié)直腸癌手術(shù)圍術(shù)期結(jié)局，回腸造口分流率較低，創(chuàng)傷救治手術(shù)時間更短，估計失血量更少，患者術(shù)后恢復(fù)更快。

單端口腹腔鏡手術(shù)是由單一創(chuàng)口向腹腔置入多個器械開展手術(shù)，相比傳統(tǒng)多孔腔鏡手術(shù)具有更微創(chuàng)、恢復(fù)快等優(yōu)點[30]。2015年，Tsuda等[31]報道使用達芬奇單端口系統(tǒng)進行胃腸道手術(shù)。術(shù)中該系統(tǒng)能進入狹窄的工作空間，同時保持高質(zhì)量視覺、精度和控制，但是與傳統(tǒng)腹腔鏡手術(shù)相比價格昂貴。2017年，F(xiàn)unk等[32]采用 Flex Robotic System（MedRobotics公司，美國）的“蠕動技術(shù)”實現(xiàn)的經(jīng)口聲門上喉切除術(shù)和全喉切除術(shù)，該系統(tǒng)靈活的鉸接式內(nèi)窺鏡實現(xiàn)了手術(shù)。2022年， Samalavicius等[33]報道使用SenhanceTM外科手術(shù)機器人系統(tǒng)（TransEnterix公司，美國）進行結(jié)直腸手術(shù)安全可行。同時，該系統(tǒng)采用了標準可重復(fù)使用的器械和開放平臺架構(gòu)戰(zhàn)略，有效降低了機器人手術(shù)費用。

除此以外，創(chuàng)傷研究和使用廣泛的技術(shù)是CT、 MRI和超聲成像[34]。在創(chuàng)傷外科中，可視化導(dǎo)航是非常重要的一項技術(shù)，與 MRI、CT等影像相結(jié)合，可以更精確定位并切除損傷部位，大程度保留正常組織。“天璣”手術(shù)導(dǎo)航系統(tǒng)大優(yōu)點是可以進行術(shù)中導(dǎo)航，根據(jù)患者實際情況進行快速三維重建，并自動調(diào)整手術(shù)路線[35]。

隨著手術(shù)機器人的發(fā)展，智能數(shù)字手術(shù)室對手術(shù)醫(yī)療設(shè)備進行高度集合與集成，可以在實際設(shè)備操作之前，用于醫(yī)生計算機輔助培訓、手術(shù)初步規(guī)劃、后期分析和模擬。2023年， Prokhorenko等[36]開發(fā)了原型機器人接口實施方案，使KUKA LBR Med 14 R820醫(yī)療機器人能夠使用FRI協(xié)議進行操作，并在真實設(shè)備及其數(shù)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(fā)展，未來將出現(xiàn)更為先進和高效的手術(shù)機器人，并逐步實現(xiàn)自主完成復(fù)雜、危險和特殊手術(shù)的目標。見表1。

3   AI 技術(shù)在PTSD風險轉(zhuǎn)歸預(yù)測的應(yīng)用

PTSD是指個體經(jīng)歷、目睹或遭遇與其自身或他人死亡相關(guān)的事件，或由于精神上、生理上的損傷或其他因素導(dǎo)致的一種或多種精神障礙。數(shù)據(jù)顯示全球范圍內(nèi)超過70%的人在生命中至少會有1次心理創(chuàng)傷，而有31%的人會有4次以上的心理創(chuàng)傷[37]。PTSD可導(dǎo)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(tǒng)臨床診療手段很難實現(xiàn)快速、客觀及準確診斷。近年，隨著 AI大數(shù)據(jù)統(tǒng)計分析和計算機視覺技術(shù)的智能診斷系統(tǒng)發(fā)展，AI技術(shù)也廣泛應(yīng)用于輔助預(yù)測PTSD風險轉(zhuǎn)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(shù)類過采樣技術(shù)處理數(shù)據(jù)集，使用網(wǎng)格搜索進行超參數(shù)調(diào)優(yōu)。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(shù)比較多種常用機器學習模型的預(yù)測能力。研究表明通過隨機森林構(gòu)建的長沙市消防員患PTSD預(yù)測模型具有較強的預(yù)測能力，心理特征和工作情況是消防員的預(yù)測因子。同時，PTSD還會對兒童的成長產(chǎn)生不良影響[40]。機器學習可以處理海量的數(shù)據(jù)和變量，逐步用于兒童PTSD的早期預(yù)測、識別和輔助診斷等方面。相對于傳統(tǒng)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(jié)省資源等優(yōu)點[41]。

4   AI技術(shù)在創(chuàng)傷救治中的局限性

目前，AI技術(shù)在創(chuàng)傷救治中應(yīng)用有限，主要存在以下方面局限性。① 在創(chuàng)傷救治中，AI技術(shù)可能需要一定時間來分析和處理數(shù)據(jù)，一些應(yīng)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(shù)據(jù)，如果歷史數(shù)據(jù)存在偏差，AI分析結(jié)果也會存在偏差。③ AI技術(shù)能夠處理大量數(shù)據(jù)和算法，但創(chuàng)傷救治中患者的癥狀、表現(xiàn)等因素往往無法被簡單算法所捕捉，從而影響其應(yīng)用效果。其次，AI需要大量數(shù)據(jù)進行訓練和學習，但在創(chuàng)傷救治中，特定類型的創(chuàng)傷數(shù)據(jù)可能很難獲得，而且創(chuàng)傷救治中的醫(yī)療診斷?？苹矊?dǎo)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(lǐng)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(zhàn)，涉及到AI系統(tǒng)決策、隱私保護、公平性等方面。AI技術(shù)在創(chuàng)傷救治中具有一定應(yīng)用潛力，但在實際應(yīng)用中可能無法完全預(yù)測和解決所有問題，醫(yī)生需要權(quán)衡AI建議以及自己專業(yè)判斷，以選擇佳創(chuàng)傷救治方案。

5   總結(jié)與展望

自AI技術(shù)初次應(yīng)用于創(chuàng)傷救治已有 40余年歷史，從救援現(xiàn)場到醫(yī)院手術(shù)室，在其輔助下創(chuàng)傷救治更加高效、準確、快速。應(yīng)急救援體系在近年來也迅速發(fā)展，成為創(chuàng)傷救治的重要組成部分。應(yīng)用數(shù)據(jù)挖掘和大數(shù)據(jù)技術(shù)分析得到的各種創(chuàng)傷救援模型，在災(zāi)難救援現(xiàn)場對困難區(qū)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(chuàng)傷救援提供更加精、快速的支持，減少患者損失。在醫(yī)院手術(shù)室，智慧醫(yī)療將空間立體導(dǎo)航技術(shù)、計算機圖像處理和臨床實踐相結(jié)合，為醫(yī)生提供更準確可靠的支持[42]。基于患者影像數(shù)據(jù)，通過深度學習等技術(shù)進行的自動診斷和分析，能幫助醫(yī)生對患者進行更精的診斷和治療。通過分析大量患者數(shù)據(jù)，建立預(yù)測模型，AI技術(shù)還可以幫助醫(yī)生更加準確地預(yù)測患者康復(fù)情況和生存率。同時，AI技術(shù)還可以為醫(yī)生提供一些決策的支持，幫助醫(yī)生更加客觀地評估患者病情、規(guī)劃手術(shù)方案、輔助手術(shù)，保證手術(shù)的成功率和安全性。

AI技術(shù)在創(chuàng)傷救治中具有一定潛力，但是需要建設(shè)一個能夠?qū)崿F(xiàn)數(shù)據(jù)共享的平臺，這個平臺可以從多個醫(yī)院和醫(yī)療設(shè)備中獲取數(shù)據(jù)，進而運用AI算法來分析和提取有用信息。AI技術(shù)將根據(jù)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(jù)患者特征判斷治療需求，進而制定治療方案[43]。隨著 AI技術(shù)的不斷發(fā)展，數(shù)據(jù)庫、機器學習算法將會不斷提升，相關(guān)法律法規(guī)和醫(yī)學倫理規(guī)定也將進一步完善。