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(nèi)部出血。”“目前救護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(chǎn)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(zhuǎn)化方面。”“如果我們能幫助更多的人生存，這是我們工作的最佳用途?！?/p>