馬里蘭大學的工程師希望為救護車配備通過機器學習增強的醫(yī)療機器人，以幫助創(chuàng)傷患者。

在發(fā)生創(chuàng)傷性損傷的時候，沒有醫(yī)生在場。急救醫(yī)療技術人員首先做出反應，他們在救護車運輸期間穩(wěn)定病人，而專門的創(chuàng)傷小組則準備在醫(yī)院接診病人。

也就是說，如過患者能夠撐到醫(yī)院的話。

馬里蘭大學機械工程助理教授Axel Krieger表示：“去醫(yī)院的“旅程”對創(chuàng)傷患者來說是最危險的?！彼膶I(yè)是醫(yī)學機器人和計算機視覺。Krieger表示，據(jù)了解，如果他們能更快地獲得醫(yī)院級別的護理，三分之一的創(chuàng)傷死亡可能會幸存下來。他致力于在救護車上達到這樣的護理標準，這與他在德國大學學習汽車工程有很大的關系。

為了提高對創(chuàng)傷患者救護過程中的醫(yī)療能力，Krieger希望為救護車配備一個通過機器學習（ML）增強的醫(yī)療機器人。他說：“救護車行駛過程中最大的危險之一是未確診的內部出血?！薄澳壳熬茸o車上可用的方法無法檢測到。這是看不見的。”

但是機器人可以。

Krieger表示：“想象一下，你有一個病人在急救車里，一個機器人掃描病人并獲取超聲波圖像。這可以提供的是一個重要的救命診斷和提高護理水平，而在緊急救護車上現(xiàn)在尚不可能完成?！?/p>

機器人通過對損傷進行掃描和可視化，然后將掃描結果與它的ML算法進行比較和分析，后者是使用來自類似真實病人圖像的數(shù)據(jù)進行訓練的。它集中在已知特別容易受到隱藏傷害和出血的解剖區(qū)域，如骨盆區(qū)域和肺、脾和肝之間的空間，以根據(jù)位置、深度和與重要解剖的相互作用來確定傷口的嚴重性；計算失血量；評估出血的可能性。在途中分析這些特征將有助于產生一個更準確的對患者進行分診的損傷情況，以便他或她能夠盡快得到適當?shù)淖o理，這可能是在救護車上，而最又幫助的肯定是在到達醫(yī)院后。

為了開發(fā)這種基于ML的智能掃描機器人，Krieger和幾個A.James Clark工程學院的研究生與馬里蘭大學醫(yī)學中心R Adams Cowley休克創(chuàng)傷中心的創(chuàng)傷專家合作。

這項研究仍處于實驗階段，尚未批準臨床應用于患者，但Krieger認為這將很快。

他說：“真正讓我興奮的是患者護理的轉化方面?！薄叭绻覀兡軒椭嗟娜松?，這是我們工作的最佳用途。”