在医院的重症监护室（ICU），病情严重的患者需要全天连接一组设备，以便随时监测和维护他们的生命体征。
这些先进的医疗设备旨在帮助患者维持生命：静脉注射将营养物质泵入血管，机械呼吸机将空气推入肺部，固定在身体上的传感器可跟踪心率、血压和其他生命体征。
床头监护仪将以波浪线绘制数据结果。
当机器记录的测量值超出正常参数时，会立即发出蜂鸣声并发出警报，提醒医护人员可能出现的潜在问题。
虽然这样的场景充满了高科技元素，但这些技术本身并没有得到充分利用。
每台机器都独立地监控患者的部分信息，并且这些设备无法协同工作 - 无法捕获或分析丰富的数据流。
ICU团队的核心护理医生、护士、呼吸治疗师、药剂师等专家显然不可能时刻密切关注每一位患者。
未来的 ICU 将更好地利用机器及其产生的连续数据流。
监测设备不再孤立运行，而是汇总信息，为医生提供患者健康状况的全面了解。
此外，这些信息还将流入人工智能（AI）系统，该系统将相应地自动调整设备设置，最终确保患者始终处于最佳健康状态。
在我们位于新泽西州霍博肯的 Autonomous Healthcare 公司，我们正在为 ICU 设计和构建第一个人工智能系统。
这些技术解决方案旨在提供细致而敏感的护理，仔细校准治疗，就像专家在患者的床边一样。
此类系统可以显着减轻重症监护病房工作人员的负担，更重要的是，该技术有望帮助患者更快地离开 ICU 环境，从而降低医疗成本。
我们最初专注于美国的医院，但随着人口老龄化和慢性病患病率的增加，我们意识到此类技术可以在世界各地发挥重要作用。
由此产生的好处可能是巨大的。
在美国，重症监护室是医疗保健系统中最昂贵的组成部分。
目前，每天约有55,000名患者在ICU接受治疗，平均每日费用在3,000美元至10,000美元之间。
每年相关的累计成本超过 1 亿美元。
随着婴儿潮一代逐渐步入老年，ICU的重要性进一步凸显。
目前，美国超过一半的 ICU 患者年龄超过 65 岁——预计这一人群每年将从 10,000 人增长到 10,000 人。
欧洲和亚洲的类似趋势使其成为一个世界性问题。
为了满足日益增长的急症临床救治需求，ICU需要进一步完善其功能和能力。
对此，除了培养更多重症监护专家外，引入自动化也是实现这一目标的重要途径。
当然，人工智能系统的存在并不是为了取代人类，而是作为医疗团队的一部分，帮助医生和护士在最需要的时间和地点发挥他们的技能。
部分重症患者需要佩戴机械呼吸机[1]。
这些机器将空气推入肺部，但速度可能与自然呼吸模式不同步，这可能导致患者和呼吸机之间的“对抗”。
智能控制系统可以使用机器学习算法实时读取气流[2]并识别不同类型的呼吸机异步[3]状况。
在这个完全自主的系统中，自适应控制器 [4] 不断调整呼吸机的气流以使其与患者同步。
作为实现完全自主操作的第一步，类似的系统可以用作 ICU 的决策支持工具，为呼吸治疗师提供设备调整建议。
在当前的 ICU 中，床边监护仪的数据通常无法得到充分关注，因为监护仪每隔几秒钟就会刷新一次。
虽然一些先进的 ICU 已经在尝试存档这些测量结果，但医护人员仍然很难挖掘数据以获得临床见解。
人类医生通常既没有时间也没有工具来跟踪这些快速积累的数据。
然而，人工智能系统能够做到这一点。
此外，它还可以根据数据采取行动，例如调整参与关键 ICU 任务的机器。
在 Autonomous Healthcare，我们首先关注用于管理患者通气和液体的人工智能系统。
当患者服用镇静剂或患有肺衰竭（ICU 常见病症）时，机械呼吸机就会发挥作用。
严格的液体管理将确保患者的循环系统始终有适当的血流量，使他的所有组织和器官得到充足的氧气供应。
事实上，我们的方法来自一个看似无关的领域：航空航天。
我们俩——哈达德和古拉米——最初都是航空航天领域的控制工程师。
我们第一次见面是在佐治亚理工学院的航空航天工程学院，哈达德是该学院的动态系统与控制教授，古拉米是博士研究员。
几年后，贝利加入我们的团队，担任埃默里大学医学院麻醉学副教授。
哈达德和贝利最初开始研究控制方法，以在手术室中实现麻醉剂量和输送过程的自动化。
相关临床研究测试在亚特兰大埃默里大学医院和乔治亚州盖恩斯维尔东北乔治亚医学中心进行。
之后，我们将目光投向更复杂、更广泛的 ICU 控制。
2016 年，Haddad 和 Gholami 创立了 Autonomous Healthcare，以将我们的人工智能系统商业化。
古拉米担任公司首席执行官，哈达德担任首席科学顾问，贝利担任首席医疗官。
那么，航空航天科学和医学到底有什么共同点呢？具体来说，两者都涉及大量数据，必须快速处理这些数据，以便在生命受到威胁时做出决策；此外，两者都需要同时执行多项任务并保持平稳运行。
更具体地说，我们已经看到了反馈控制技术在重症监护医学中的作用。
这些技术使用算法和反馈，通过传感、计算和驱动来修改工程系统的行为。
事实上，这类技术在飞行控制、空中交通管制等重要安全系统中无处不在。
然而，飞机上的病人和医院里的病人之间存在着重要的区别。
飞机的设计和控制基于声音力学和空气动力学理论，而人体是一个极其复杂的生物系统——事实上，直到今天我们仍然不完全了解这些系统是如何运作和相互作用的。
让我们回到机械呼吸机的管理。
患有直接外伤、肺部感染、心力衰竭或脓毒症等炎症综合征的 ICU 患者可能需要呼吸机的支持，呼吸机利用呼吸机将空气压入肺部以实现被动通气和呼吸。
该设备持续运行以替代或帮助患者自主呼吸。
然而，人与机器之间的交互往往非常微妙。
人体有自己的自动呼吸控制机制，神经系统触发隔膜收缩并向下拉伸肺部，从而开始吸入空气。
呼吸机必须具有相同的固有驱动方法，即以自然的方式同步患者的吸气和呼气过程，并尽可能匹配患者自主呼吸时的气流速率。
为了让患者能够及时使用机械呼吸机进行呼吸辅助，Autonomous Healthcare的Syncrom-E系统可以分析气流。
不幸的是，患者的需求和机器的输送能力之间经常存在显着的不匹配，这可能导致患者和呼吸机之间的“对抗”。
例如，患者自然可能需要更长的时间。
吸气，但呼吸机过早切换到呼气相。
这种同步问题在机械呼吸机和其他类型的呼吸机中很常见，并且直接关系到患者在 ICU 的住院时间甚至死亡风险。
此外，专家们还没有完全弄清楚这种异步性的更具体的不利影响是什么；但可以肯定的是，不同步的患者在机器将空气用力推入肺部时明显会感到不适，而肌肉的反应会带来额外的体力消耗。
据估计，美国 ICU 中呼吸机严重不同步的患者比例为 12% 至 43%。
解决这个问题的第一步当然是进行呼吸频率检测。
经验丰富的呼吸治疗师可以通过持续观察呼吸机显示屏上的压力指数和流量波形来识别不同类型的异步问题。
然而，在 ICU 中，一名呼吸治疗师往往需要监督 10 名或更多患者，因此他显然无法时时刻刻陪伴在每一位患者身边。
在我们公司，我们设计了一个机器学习框架，可以复制人类在检测各种异步问题方面的专业知识。
为了训练该系统，我们利用了通气患者的波形数据集，其中每个波形都由临床专家团队进行了评估。
我们的算法学习各种不同的异步特征，例如特定时间点气流信号中体现的特定倾斜角度。
在我们对算法性能的第一次评估中，我们重点关注所谓的循环异步，这是最具挑战性的异步问题类型。
呼吸机的呼气已经开始与患者自身的呼气动作不匹配，而我们的算法能够以极高的准确度检测新数据集中的循环异步性，相关结论与人类专家的判断一致。
高度一致。
我们目前正在东北佐治亚医疗中心的 ICU 中测试该算法，以实时检测真实患者的呼吸异步情况。
该技术已被纳入临床决策支持系统，以帮助呼吸治疗师更快、更准确地评估患者需求。
该框架还为研究人员提供了工具，以更好地了解呼吸异步的根本原因及其对患者的影响。
我们的长期目标是设计新型机械呼吸机，能够根据每位患者的需求自动调整设置。
说到ICU里的场景，很多朋友可能想到的就是病人床边挂着的塑料袋，液体不断通过点滴的方式滴入体内。
是的，大约四分之三的患者在 ICU 住院期间确实接受了这种注射。
然而，尚未以科学的方式校准具体的注射药物量。
事实上，追踪患者的液体注射情况一直是一项艰巨的任务：现有的医疗传感器无法直接监测液体量，因此医生不得不依赖血压和尿量等间接指标。
患者实际需要的液体量取决于其疾病和当前药物等因素。
大多数ICU患者需要使用输液泵和静脉输液[1]将液体滴入静脉。
确保注射的液体量准确至关重要：如果循环系统中的液体量过低或过高，都可能导致严重的并发症。
智能控制系统可以实时跟踪相关指标[2]，例如动脉血压和心脏泵出的血液量；然后，系统可以将数据输入到生理模型 [3] 中，该模型表示流体如何通过体内的血管和组织流动。
。
在这个完全自主的系统中，自适应控制器 [4] 不断调整液体输入以保持患者稳定。
在初始阶段，ICU医生可以首先将这项技术引入提供建议的决策支持系统中。
对于脓毒症患者来说，输注正确量的液体更为重要。
脓毒症是一种潜在危及生命的综合征，其特征是全身炎症。
此类患者常常存在血管扩张、血压低、体液从最小的血管（即毛细血管）渗漏等常见问题。
在这种情况下，血液将氧气输送到器官的能力就会降低，从而导致器官衰竭甚至死亡。
医生会分发药物来升压，并将额外的液体泵入患者的循环系统以对抗败血症。
其中最重要的是注射足够的液体，但不要太多——过量会导致各种并发症，包括肺水肿、肺部积液，甚至干扰正常呼吸。
研究表明，过量补液可能导致机械呼吸机使用周期延长、住院时间延长，甚至死亡率更高。
因此，医生的目标是将患者的体液维持在一定水平——基于普通患者整体模型的水平。
当医生在 ICU 查房时，他们会检查血液中的气体混合物并监测血压/尿量，以确定患者是否处于稳定水平。
显然，这种对注入流体的时间/量的判断是非常主观的，并且很难总结出普遍适用的最佳实践标准。
人工智能系统可以在这方面做得更好。
它不再根据患者的一般情况设定目标和做出决定，而是实时分析个体患者的各种生理指标，并根据患者的具体需求持续分配注射。
在 Autonomous Healthcare，我们开发了一种全自动系统，可以间接测量患者的体液水平（例如血压和每次心跳泵出的血量的变化），然后将数据输入复杂的生理模型。
我们的系统使用这些测量值来评估流体如何在体内血管和组织之间移动，并随着新测量值的出现不断调整参数。
我们还有专门的自适应控制器，可以根据后续流量输入调整设置。
我们技术的优势之一是专注于控制工程师所说的闭环系统稳定性，这意味着正常条件下的任何振动只会引起轻微而短暂的变化。
已经有大量的工程应用使用确保闭环稳定性的控制系统——例如，当飞机遇到强烈湍流时，自动驾驶系统进行补偿，尽可能降低振动幅度。
然而，大多数医疗设备控制系统不具备这样的保护能力。
如果医生确定脓毒症患者的体液水平急剧下降，他们可能会立即注射大量液体并导致过度代偿问题。
为了防止 ICU 患者从输液泵中获取过多或过少的液体，Autonomous Healthcare 的 CLARC 系统从循环系统中获取读数。
我们与兽医麻醉师和心血管生理学家 Willaim Muir 合作测试自动液体管理系统。
我们使用这个系统来调节流血小狗的液体输注。
我们的系统成功地维持了一种稳定状态，在这种状态下，小狗每次心跳都会泵出相对恒定的血液量。
当然，还需要进行更多测试才能获得监管部门对用于人类患者的全自动液体管理系统的批准。
正如我们在呼吸机管理方面所做的那样，我们可以从为 ICU 建立决策支持系统开始。
这种“人机交互”系统将为临床医生提供信息和建议，然后临床医生将对交替泵设置进行调整。
除了呼吸和液体管理之外，与患者护理相关的其他重要自动化方向包括疼痛管理和镇静。
在未来的 ICU 中，我们设想大多数临床操作都可以通过人工智能系统进行监测、协调和控制，人工智能系统可以评估每个患者的生理状态并实时调整设备设置。
然而，要实现这一愿景，仅提供可靠的技术是不够的。
我们还必须解决医院系统内存在的许多监管障碍和制度限制。
显然，监管机构需要仔细审查任何新的自主医疗保健系统。
我们建议监管机构采用汽车和航空航天行业常用的两种测试框架。
第一个是计算机模拟实验，通过计算机模拟来测试算法。
当然，这些测试假设模拟环境基于高保真生理模型。
这在某些应用中已经成为可能，例如，美国食品和药物管理局最近批准使用计算机模拟作为动物试验的替代方法，为糖尿病患者开发人工胰腺。
第二个实用框架利用“硬件在环”测试，其中硬件代表了关注的对象——从喷气发动机到人体循环系统。
从那里，您可以在硬件平台上测试相关设备，例如自动流体注射泵，该平台生成与真实临床监视器上相同类型的数据。
这些硬件在环测试可以证明该设备在模拟和现实场景中表现同样出色。
一旦这些技术被证明对危重患者有效，下一步就是在患者护理领域实际测试它们。
将这些技术引入医院的最后一步是赢得医学界的认可和信任。
医学领域总体上是一个保守的环境，这种保守当然有充分的理由。
没有人愿意做出可能威胁患者健康的改变。
我们的方法是分阶段验证我们的技术：我们首先将决策支持系统商业化，以展示其功效和优势；然后我们逐渐转向真正的自治系统。
随着人工智能水平的提高，我们相信ICU能够充分展现出更智能、更安全、更健康的新面貌。