利用 AI 优化大规模灾难性事件期间患者转运与资源利用：仿真平台
机器学习
2025-09-11 v1 人工智能
人机交互
摘要
大规模灾难性事件 (Mass casualty incidents, MCIs) 会压倒医疗系统，要求在极端压力下进行快速、准确的患者-医院分配决策。我们开发并验证了一个基于深度强化学习的决策支持 AI 代理，用于优化在模拟 MCIs 期间的患者转运决策，通过平衡患者病情严重程度、专业护理需求、医院容量和运输物流。为将此 AI 代理集成到实际应用中，我们开发了 MasTER，一个面向 MCI 管理仿真的 Web 可访问命令仪表盘。通过对 30 名参与者（6 名创伤专家和 24 名非专家）进行的受控用户研究，我们评估了在 Greater Toronto Area 中的 20-和 60-患者 MCI 场景中与 AI 代理交互的三种方法。结果表明，增加 AI 的参与显著提高了决策质量和一致性。AI 代理在水平上超过了创伤外科医生 (p < 0.001)，并使非专家在受助于 AI 辅助下达到专家水平的表现，而与其未受助的表现则显著低于 (p < 0.001)。这些发现确立了我们 AI 驱动的决策支持在增强 MCI 准备训练和实际紧急响应管理方面的潜力。
引用
@article{arxiv.2509.08756,
title = {Using AI to Optimize Patient Transfer and Resource Utilization During Mass-Casualty Incidents: A Simulation Platform},
author = {Zhaoxun "Lorenz" Liu and Wagner H. Souza and Jay Han and Amin Madani},
journal= {arXiv preprint arXiv:2509.08756},
year = {2025}
}