雖然這樣的場景當中充滿了高科技元素，但這些技術本身并沒有得到充分的利用。每一臺機器都在以彼此隔離的方式監控病患的一部分信息，且各設備之間無法協同工作——即無法捕捉或者分析豐富的數據流。ICU團隊中的核心護理醫生、護士、呼吸治療師、藥劑師以及其他專家們顯然不可能隨時對每位病患加以密切關注。
未來的ICU將更好地利用機器及其產生的連續數據流。各監控裝置不再孤立運作，而是對信息加以匯總，從而向醫生全面展示患者的健康狀況。此外，這些信息還將流向人工智能(簡稱AI)系統，并由此類系統據此對設備設置進行自動調整，最終確保患者始終處于最佳健康狀態。
在我們公司——位于新澤西州霍博肯的Autonomous Healthcare公司，我們正在為ICU設計并構建首批人工智能系統。這些技術方案旨在提供細致且敏銳的護理服務，如同有專家長期守在病人床邊般仔細校準治療方法。這類系統能夠顯著降低重癥監護病房中工作人員的負擔，更重要的是，該技術還有望幫助患者更快離開ICU環境，從而降低醫療保健成本。我們最初將著眼點放在美國本土的醫院當中，但隨著人口老齡化與慢性病患病率的增加，我們意識到此類技術在世界各地都能夠發揮重大作用。
由此帶來的收益很可能極為可觀。在美國，ICU是醫療保健體制內最昂貴的組成部分。目前每天約有5萬5千名患者在ICU接受治療，而一般的日均費用從3千美元到1萬美元不等。相關累計成本每年超過800億美元。
隨著嬰兒潮一代逐步成為老人，ICU的重要意義也得到進一步凸顯。當下，美國超過半數的ICU患者年齡高于65歲——預計這部分人口將由2014年的4600萬增長至2030年的7400萬。歐洲與亞洲呈現出的類似趨勢，已經使其成為一個世界性的難題。為了滿足日益增長的急性臨床護理需求，ICU需要進一步提升自身功能與容量。在這方面，除了培養更多重癥監護專家之外，引入自動化手段也是一種重要的實現途徑。當然，人工智能系統的存在并不是為了取代人類，而是作為醫療團隊的一部分，幫助醫生與護士在最需要他們的時間與地點運用自己的技能。
一部分重癥患者需要佩戴機械式呼吸機[1]。這些機器能夠將空氣推入肺部，但其節奏可能與自然呼吸模式并不同步，這將導致患者與呼吸機間“產生對抗”。智能控制系統可以利用機器學習算法實時讀取氣流通量[2]并識別不同類型的呼吸機異步[3]狀況。在這種完全自主的系統當中，自適應控制器[4]會不斷調整呼吸機的氣流，使其與患者之間保持同步。作為實現全面自主運作的第一步，可以利用類似的系統作為ICU中的決策支持工具，從而為呼吸治療師提供設備調整建議。
在目前的ICU當中，由于顯示器每隔幾秒就會刷新一次，因此來自床邊監視器的數據往往無法得到全程關注。雖然一部分先進的ICU已經在嘗試對這些測量值加以歸檔，但醫護人員仍然很難挖掘這些數據以獲得臨床見解。
人類醫生通常既沒有時間，也沒有工具以掌握這些快速積累起來的數據。然而，人工智能系統卻能夠做到這一點。此外，其還可以根據數據采取措施，例如調整關鍵ICU任務中涉及的機器。在Autonomous Healthcare公司，我們首先關注用于管理患者通氣與液體的人工智能系統。當患者處于鎮靜狀態或者患有肺衰竭(一種常見的ICU病癥)時，機械呼吸機即會發揮作用。嚴謹的液體管理將可保證患者的循環系統始終擁有適當的血液流通量，從而使其所有組織與器官皆獲得充足的氧氣供應。
事實上，我們的方法來自一個看似無關的領域：航空航天領域。我們兩個——Haddad與Gholami——原本都是航空航天領域的控制工程師。我們第一次見面是在喬治亞理工學院的航空航天工程學院，Haddad當時是院里的動力系統與控制學教授，Gholami則是博士研究員。2000年之后Bailey也加入了我們的團隊，當時他在埃默里大學醫學院擔任麻醉學副教授。Haddad與Bailey最初著手研究控制方法，希望能夠在手術室當中以自動化方式實現麻醉劑量供應與分娩處理。相關的臨床研究測試在亞特蘭大埃默里大學醫院以及喬治亞州蓋恩斯維爾的東北喬治亞醫療中心進行。在此之后，我們將目光投向更為復雜且廣泛的ICU控制方向。2013年，Haddad與Gholami成立了Autonomous Healthcare公司，旨在將我們的人工智能系統商業化。Gholami擔任公司的CEO，Haddad出任首席科學顧問，Bailey則為首席醫療官。
那么，航空航天科學與醫學之間到底存在哪些共通點?具體來講，二者都涉及大量數據，必須快速處理這些數據以便在生命面臨威脅時做出決策; 此外，兩者都要求同時執行多種任務并保持平穩的運作狀態。更具體地講，我們已經看到反饋控制技術在重癥監控醫學中的作用。這些技術利用算法與反饋通過感測、計算以及驅動等修改工程系統的行為。事實上，此類技術在飛行控制與空中交通管制等重要安全系統中可謂無處不在。
然而，飛機與醫院病患之間存在著重大差異。飛機的設計與控制基于完善的力學與空氣動力學理論，而人體則屬于極為復雜的生物系統——事實上，時至今日我們仍然沒有完全理解這些系統的運作方式與相互作用。
下面回到機械式呼吸機的管理方面。存在直接創傷、肺部感染、心力衰竭或者膿毒癥等炎癥綜合征的ICU患者可能需要呼吸機的支持，利用其將空氣壓入肺部以實現被動式換氣呼吸。該設備會不斷運作以替代或者幫助患者完成自主呼吸。
然而，人與機器之間的互動往往非常微妙。人體擁有自己的自動呼吸控制機制，其中神經系統觸發膈肌收縮并向下拉伸肺部，從而開始吸入空氣。呼吸機必須具備同樣的固有驅動方法，即以自然的方式同步患者的吸氣與呼氣過程，并盡可能與患者自主呼吸時的氣流量相匹配。
為了讓患者及時利用機械式呼吸機進行呼吸輔助，Autonomous Healthcare公司的Syncrom-E系統能夠對氣流進行分析。
遺憾的是，患者的需求與機器的輸送能力之間往往存在著嚴重的不匹配問題——這可能導致患者與呼吸機間“產生對抗。”舉例來說，患者可能天然需要更長的時間進行吸氣，但呼吸機卻過早地轉換至呼氣階段。機械式呼吸機以及其它類型呼吸機普遍存在這種同步問題，且其直接關系到ICU內病患的駐留時長甚至是死亡風險。此外，專家們還沒有徹底弄清這種異步狀況會產生哪些更具體的不利影響; 但可以肯定的是，當機器將空氣硬性推入肺部時，未同步的患者顯然會感到不適，而肌肉性反應將會帶來額外的體能消耗。在美國的ICU當中，存在嚴重呼吸機不同步問題的患者比例估計在12%至43%之間。
解決這個問題的第一步，當然是要進行呼吸頻率檢測。經驗豐富的呼吸治療師能夠持續觀察呼吸機顯示屏上的壓力指數與流量波形，從而識別出不同類型的異步問題。但在ICU當中，一名呼吸治療師往往需要監管10名甚至更多患者，因此其顯然無法隨時陪伴在每一位患者身邊。
在我們公司，我們設計出一套機器學習框架，能夠復制人類在檢測各類異步問題中的專業知識。為了訓練這套系統，我們利用呼吸機患者的波形數據集，其中每個波形都由一組臨床專家進行評估。我們的算法學習了多種不同的異步特征——例如特定時間點中氣流信號內體現出的特定傾角等。在我們對算法效能的首次評估當中，我們專注所謂的循環異步，這也是最具挑戰性的異步問題類型。呼吸機的呼氣已經開始與患者自身的呼氣動作不匹配，而我們的算法能夠在對新數據集內循環異步進行檢測時表現出極高的準確性，且相關結論與人類專家的判斷保持高度一致。
我們目前正在東北喬治亞醫療中心的ICU測試這套算法，從而實時檢測真實患者的呼吸異步問題。該技術已經被納入臨床決策支持系統，用以幫助呼吸治療師更快更準確地評估患者需求。這套框架還能夠為研究人員提供工具，用以更好地理解產生呼吸異步問題的根本原因及其給患者造成的影響。我們的長期目標是設計出新的機械式呼吸機，確保根據每位患者的需求自動調整自身設置。
提到ICU的場景，很多朋友的腦海中可能浮現的是患者床邊懸掛著塑料袋，液體不斷通過靜脈滴注進入體內。沒錯，大約四分之三的患者在ICU住院期間都確實需要接受這種藥劑注射。
然而，對注射藥劑的具體量進行校準一直未能以科學的方式進行。事實上，追蹤患者的液體注射情況一直是項艱難的任務：沒有哪種現有醫療傳感器能夠直接監測液體量，因此醫生只能依賴于間接性指標，例如血壓與尿量等。而患者實際需要的液體注射量，取決于他們所罹患的疾病與當前服用的藥物等因素。
大部分ICU病患都需要利用輸液泵與靜脈輸液[1]等方式將液體滴入靜脈。其間，保證輸入液體量的準確可謂至關重要：如果循環系統中的液量過低或者過高，則可能引發嚴重的并發癥。智能控制系統能夠實時追蹤相關指標[2]，例如動脈血壓及心臟泵血量; 而后，系統可以將數據輸入至生理模型[3]，該模型用于表示液體如何穿過身體中的血管與組織。在這套完全自主的系統當中，自適應控制器[4]可以連續調節液體輸入量以保持患者穩定。在起步階段，ICU醫生可以首先將這項技術引入提供建議的決策支持系統。
對于膿毒癥患者而言，獲得正確的液體注入量則更為重要。膿毒癥是一種以全身炎癥為特征且可能危及生命的綜合癥。在此類患者中，往往普遍存在血管擴張、血壓降低，且體液自最細小的血管——即毛細血管處泄漏等問題。在這種情況下，血液能夠為器官提供的氧攜帶量將有所降低，因此可能導致器官衰竭甚至患者死亡。醫生需要分配藥物以增強血壓，并將額外的液體泵入患者的循環系統之內以對抗敗血癥。
其中最重要的就是注入足夠但又不致于過量的液體——過量會引發多種并發癥，包括肺水腫、肺部積液，甚至干擾正常呼吸。研究表明，液體注入量超標有可能帶來更長的機械式呼吸機使用周期、更長的住院時間甚至是更高的死亡率。
因此，醫生的目標是將患者的體液維持在一定水平——這一水平基于普通患者的整體模型。當醫生們巡查ICU時，他們會通過檢查血液中的混合氣體并監測血壓/尿量來確定患者是否處于穩定的水平。很明顯，這種對注入液體添加時間/添加量的判斷是非常主觀的，且很難總結出普遍適用的最佳實踐標準。
人工智能系統在這方面可以作得更好。其不再根據患者普遍情況制定目標并做出決策，而是實時分析個別患者的各項生理指標，并根據其具體需求不斷進行注射液分配。
在Autonomous Healthcare公司，我們開發出一套全自動系統，其能夠間接測量患者的體液水平(例如血壓以及每次心跳泵出血液量的變化)，而后將數據輸入復雜的生理模型當中。我們的系統利用這些測量值以評估液體在人體血管與組織之間的移動方式，并在出現新測量值時不斷調整參數。我們還擁有專門的自適應控制器，可根據后續的流量輸入對設置做出調整。
我們技術方案的一大優勢，在于其關注控制工程師們所謂的閉環系統穩定性——這意味著任何對于正常狀態的振動都只會導致輕微且短暫的變化。目前已經有大量工程應用采用可確保閉環穩定性的控制系統——例如在飛機遭遇強大的湍流時，自動駕駛系統會進行補償以盡可能降低振動幅度。然而，大多數醫療設備的控制系統都沒有這樣的保障能力。如果醫生判斷膿毒癥患者的體液水平正急劇下降，他們可能會一次性注入大量液體，并引發過度補償問題。
為了防止ICU患者從輸液泵中獲得的注射液量過多/過少，Autonomous Healthcare公司的CLARC系統能夠從循環系統中獲取讀數信息。
我們已經與獸醫麻醉師與心血管生理學家Willaim Muir合作測試了這套自動化液體管理系統。面對正遭受出血折磨的小狗，我們利用這套系統調節液體的輸注操作。我們的系統成功令小狗保持在穩定狀態——其每次心跳所泵送的血液量始終較為恒定。
當然，我們還需要進行更多測試，以獲得針對人類病患采用全自動液體管理系統的監管批準。與我們在呼吸機管理方面進行的嘗試一樣，我們可以首先從為ICU建立決策支持系統起步。這種“人類在環”系統將向臨床醫生提供信息與建議，而后由臨床醫生據此對輪流泵設置做出調整。
除了呼吸與液體管理之外，與患者護理相關的其它重要自動化方向還包括疼痛管理與鎮靜等。在未來的ICU中，我們設想大部分此類臨床操作都可由人工智能系統監控、協調與控制，由人工智能系統評估每位患者的生理狀態并實時調整其中的設備設置。
然而，要實現這一愿景，單單提供可靠的技術還遠遠不夠。我們還必須解決醫院體系中存在的諸多監管障礙與體制性約束。
很明顯，監管機構需要認真審查任何新型自主醫療系統。我們建議監管機構采用汽車與航空航天工業中常用的兩種測試框架。首先是計算機模擬實驗，其通過計算機模擬測試算法。當然，這些測試的前提在于模擬環境以高保真生理模型為基礎。目前，其在某些應用層面已經成為可能——例如，美國食品與藥物管理局最近批準利用計算機模擬試驗作為動物試驗的替代方案，進而開發出用于糖尿病患者的人工胰腺。
第二套實用性框架是利用“硬件在環”測試，其中硬件代表需要關注的對象——包括噴氣式發動機乃至人體循環系統。此后，大家可以在硬件平臺上測試相關設備，例如自動化液體注射泵，其能夠生成與真實臨床監護儀上相同的數據類型。這些硬件在環測試可以證明設備在模擬與現實場景下擁有同樣良好的表現。一旦這些技術被證明適用于危重病人，那么接下來即可真正在病患護理中進行實地測試。
要將這些技術引入醫院，最后一步在于贏得醫學界的認可與信任。醫學領域是個普遍保守的環境，當然這種保守也有著充分的理由。沒人愿意做出可能對患者健康產生威脅的變化。而我們的方法在于分階段驗證自身技術：我們首先實現決策支持系統商業化，用以展示其功效與收益; 而后逐步轉向真正的自主系統。隨著人工智能水平的提升，我們相信ICU完全能夠展現出更智能、更安全也更健康的新面貌。
京公網安備 11010502049343號