来源：卫勤小组

在不断发展的战伤救治领域，科学技术的进步与应用对于提升医务人员战场救治能力及改善伤员预后至关重要。未来战争将是复杂、多域，并产生大量超过卫勤保障能力的伤员。最近在乌克兰发生的冲突再次提出了军队卫生系统(MHS)在维持一支健康的部队、让伤员重返岗位以及从战场后送伤员方面将面临的挑战。更为复杂的是，来自历次战争的减员及救治预测模型不能反映当前的卫勤保障能力和实际战场需求。此外，这些模型没有考虑个体和团队的组成或个体伤亡水平的变量。简而言之，美军当前的医疗数据及其基础设施已经过时，无法利用信息时代的技术最大化效率，从而提高整体卫勤保障能力。如果没有使用实时数据来改善和加速决策，及可以将医务人员从认知及体力负荷重的工作中解放出来的自动化技术，军队卫生系统很难满足未来战场要求。

因此，研究人员建议，为应对未来战争，应当建立伤员数字孪生（casualty digital twins，CDTs）系统，构建一个用于大数据的框架，可用于开发人工智能（AI），加速在各救治阶梯战伤救治的自动化。本文以自动驾驶技术的发展历程为例，分析战伤救治中数字孪生技术应用的可能。

数字孪生是充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体的全生命周期过程。数字孪生是一种超越现实的概念，可以被视为一个或多个重要的、彼此依赖的装备系统的数字映射系统。

伤员随时间推移的进展可用数据来描述，能够反应伤员起始点状态（如人口统计学、病史、伤情、生命体征等）。根据资源可用性，还可反映伤情和生理状态随时间如何受到医务人员医疗行为影响。在每个医疗环境中，关于位置、资源可用性和医务人员特征的特定数据通过其他系统提供，并被视为元数据。每个条状都在概念上反映了一个神经网络层，其中的节点反映了该层的不同测量值。

例如，假设伤员1因爆炸而出现多发伤，导致3处肢体创伤性截肢，身体20%被烧伤。他将需要放置大量止血带(医务人员操作)和使用中等数量的药物和血液(因为他止血快)，然后将需要大量的干预(伤口护理)和在二级救治阶梯接受手术。伤员3腿部枪伤，在止血前会有大出血；因为在医护人员到达伤员身边还有很长一段时间，伤员需要大量的血液，因此需要静脉输液、静脉输液管等物资。

由于伤员从一个救治阶梯转移到下一个救治阶梯，节点更精准地反应了伤员的需求，网络的每一层级都将显著影响伤员预后。记录下列信息：伤员状态、救治措施(因变量)和救治环境中的可用资源(供应品、血液、药物、临床专业知识等)，将使AI模型能够预测整个救治过程中的最佳救治路径。如果预测的结果不理想（返回部队、后送后生存等），AI可以帮助检伤分类或更合理地分配资源。图1中的灰色虚线表示伤员根据系统中已存的信息预测的预后。

黑色实线和十字代表当前的伤员，绿色实线过十字代表她的“数字孪生”投影——伤员未来最可能的状态和产生它所需的资源。粗绿线表示数字孪生模型的上限和下限(概率锥)。做出不同的选择(即检伤分类或分配资源)可以改变伤员的结局，产生更好的预后。

例如，如果一个医务人员需要处理多个伤员时，医务人员的计算机将告知他们每个伤员可能在什么时间需要什么治疗和资源。根据这些预测，系统给出哪些伤员应该得到目前可用的血液资源，哪些伤员不应该得到资源（因为即使用了，他们在后面的手术需求也无法得到满足）以及他们应该以何种顺序进行后送。这些数据可用于指挥控制决策，以详细说明战场上各个单位的紧急和详细的再补给需求。最后，通过使用完全基于计算机的模型对优化系统性能的新解决方案进行更精确的测试，这些个体化模型可以为战略规划和研究提供信息。

数字孪生为战伤救治系统提供了一个独特的机会，以弥合物理世界和数字世界之间的差距。通过创建伤员人口统计学、损伤机制、损伤模式、救治团队干预措施和跨时间和地点的资源分配的数字化展示（digital representation），可以经验性地了解伤员的预计(未来)状况、结局和需求(图1)。这种虚拟表示包含了有关救治阶梯上资源可用性和后送时的操作和时间依赖性考虑因素的信息，可以为个体化、个性化决策提供基础。数据驱动的决策将优化创伤系统的能力和管理批量伤员能力，使个体伤员治疗最高效。

然而，这个概念只有在有数据的情况下才能实现。军队卫生系统目前尚未准备好获取如此大量的伤病员治疗信息。被动数据采集，包括不受干扰地监测伤伤员状态、临床医生行动和实时的资源利用情况，是战伤救治生成数字孪生的基础。

被动数据采集有别于通过手写或人工输入数据的手工数据采集。被动采集只通过机器。手动数据收集包括任何通过说话、打字或书写的系统(例如文档、语音转文本技术、QR码、评分标准)。重要的是，手动数据输入是经过人工处理过滤的，以决定哪些数据是相关的。默认情况下，这排除了大量的数据，如环境、重复交流、视觉线索和其他超过人类数据捕捉能力的信息，但这些信息对决策和增强基于计算机决策支持和自动化模型至关重要。手动数据输入是离散的、耗时的，而且通常不可靠，而被动数据采集是连续的，不受干扰，代表真实情况。被动数据量大，因此不适合在电子病历中存档；尽管如此，仍然可以从这类数据中提取离散数据元素(例如，识别止血带放置位置的模型可以自动将“止血带放置时间”输入到病历字段)。仅仅依靠主动数据输入来填充信息系统进行决策，将错失基于人工智能的复杂作战环境建模的机会，并且在未来的战斗中将越来越不现实。

通过可穿戴设备、摄像头、麦克风、加速计传感器和其他新型传感器，可以无创地收集大量数据，最重要的是，不妨碍伤员救治工作。将原始传感器数据转化为可用于伤员救治的可操作信息是一项相当大的技术挑战，但要有足够的真实训练数据，就可以开发出算法来推断各种参数，如:伤员损伤模式和生理状态；医务人员采取的干预措施，如放置止血带、给药和关键交流信息；实时资源应用，如放置2个止血带以达到1个止血带的预期效果或在成功进行骨髓腔穿刺输液前采用多个静脉输液;还有其他因素，比如环境因素，包括温度和位置，这些因素会影响伤员救治的决策。

通过这种方式，被动数据采集和推断算法可以作为伤员数字孪生的实时输入，为决策支持工具和自动化算法建模，这些工具和算法在战场是倍增器，能够根据个体伤员和系统中其他伤需求进行推算，从而做出更快、更准确的决策和干预。最终，这产生了一个优化的生存链，该链可以评估情况，更快地做出决策，在整个救治阶梯可用资源范围内提供更合适的治疗，并实现最佳预后。

对于军队卫生系统而言，汽车行业的自动驾驶是一个引人注目的模式，军队卫生系统正努力通过伤员数字孪生应用实现自动伤病员救治(图2)。在汽车领域，从基本的驾驶辅助功能逐渐发展到高级自动功能，反映了开发伤员数字孪生和自动伤病员救治所需的发展阶段。正如传感器、摄像头和算法使汽车能够感知周围环境并做出反应一样，战伤救治过程也可以利用传感器、可穿戴设备和数据分析来创建伤员数字孪生，为重要的伤亡信息建模，并预测对救治的需求和必要的资源，以及预测(甚至是最佳)将干预措施与伤员流匹配的时间。

无论是在汽车还是医疗领域，自动驾驶系统的基础在于数据驱动的决策，以及逐步推进相关技术，以实现越来越高的自动驾驶水平。对于汽车来说，这些级别分为六个级别，描述了汽车可以在多大程度上自主操作。在这些层次之间安全过渡是一项复杂的挑战，涉及技术进步、监管因素和文化接受度。在Waymo之前，自动驾驶技术的先驱获得了驾驶自动驾驶汽车的许可，他们首先进行了广泛的测绘和测试工作。从2009年到2012年，Waymo在不同的城市和环境中绘制了100万英里的道路地图，每分钟从25个传感器收集3gb的数据，相当于7.2 PB的数据更重要的是，Waymo利用从这些传感器收集的数据(数字孪生技术)进行计算机建模，每天在合成环境中行驶数百万英里，通过数千次重复“教”汽车复杂和动态的情况。最终，这些努力促成了他们在2023年在旧金山的街道上驾驶没有人类司机的出租车。

但获取和处理这些数据目前在军事医学或战伤救治中还无法实施，因为缺乏数据收集的传感器，缺乏基础设施，没有能够传输这些数据的软件的网络，没有能够存储这些数据的解决方案，也没有能够注释、策划、分析、建模并与合作伙伴共享这些数据的过程，从而产生可行的解决方案。重要的是，这些数据必须在适当的网络安全、道德和治理框架内进行管理，并写入政策，以确保这些数据得到适当使用，而不是向对手提供。军队卫生系统还没有开始通过必要的传感器数据，被动采集数据，以创建有效的实时模型，即伤员数字孪生。

随着汽车行业继续推动自动驾驶技术，军队战伤救治也可以利用类似的创新精神来塑造新的未来。通过采纳自动驾驶技术的原则，可以在未来冲突中改变伤员救治方式。在伤员救治过程中，利用从多个不同传感器不断地、被动地收集海量数据进行迭代改进，并在模拟和真实世界环境中进行严格测试。将被动数据采集和建模与AI、机器人和人的活动融合，优化整个救治过程中的能力，提高伤员预后，甚至重新定义救治标准。虽然完全自主的伤病员救治可能无法实现，但机器人可能能够在特定范围内实现完全自主的救治。例如，在没有人为干预的情况下将危重伤员运送出战场，同时监测数千名伤员，为医务人员提供决策支撑和优化资源配置，或者在没有外科医生在场的情况下用机器人闭合伤口。

美军医疗培训机构正在通过将研究、培训和真实世界中的数据联合而相互合作，研究在高度真实的训练环境中收集这类数据，而不是依赖地方创伤救治数据进行伤员数字孪生建模。合作机构包括远程医学和先进技术研究中心Nexus实验室和一些训练机构，如陆军医学模拟训练中心、68W医务兵学校、空军第59医疗联队的重症伤员航空运输研究机构、朴茨茅斯海军医学中心以及其他机构，这些机构将根据批准的协议从高度逼真的战伤救治模拟场景中收集数据。随着传感器系统的改进和数据基础设施的建设，军队卫生系统内的相关机构，如联合创伤系统(Joint Trauma System)、模拟委员会(Directorate of Simulation)和模拟训练和设备项目执行办公室(Program Executive Office Simulation Training and Instrumentation)，必须合作开发有意义的培训数据库，将被动采集的数据和识别医务人员行为的算法纳入其中，以更好地理解如何开展培训，以及如何将这些培训转化为有效的伤员救治。

被动数据采集和建模的整合产生了可用于优化创伤系统的伤员数字孪生，代表了在伤员救治方面的范式转变。通过利用被动数据采集创建详细的伤员数字孪生，利用AI在整个救治过程中实现前所未有的个性化、效率和有效性。尽管对手和庞大的伤亡人数会给未来战场上的战伤救治带来许多挑战，利用数字孪生技术下的实时数据分析将为军队卫勤提供及时、明智的决策，优化资源分配，并最终优化伤员预后。最后，采用这一创新方法需要对相关挑战进行深思熟虑，确保医疗救治的未来不仅是技术先进的，而且是符合伦理的且以伤员为中心的。

通过数字孪生技术，并将其与被动数据采集方法和自动化集成起来，军队卫勤可以彻底改变战伤救治，优化系统能力，显著提升伤员存活率。