这些数据来自47,000多个真实事件，从瑞典创伤登记处检索，该登记处还显示了人们被运送的地点。
通过权衡一些复杂的变量，如呼吸频率、受伤类型、血压、年龄和性别，结果表明，所有的人工智能模型都比临床结果表现得更好——临床结果是救护车人员在事故发生时做出的运输决定。
结果显示，40%的重伤者没有被直接送往大学医院。
与此同时，45%的非严重伤者被不必要地送往大学医院，因为他们的伤势本可以在正规医院得到治疗。
“救护人员经常面临困难和快速的决定。我们的希望是，一个更加客观的决策支持系统将能够发挥‘额外同事’的作用，使员工看到更复杂的联系，并在难以察觉或评估伤害的情况下三思而后行，”Anna Bakidou说。
广告
作为一个例子，她提到经常卷入交通事故的年轻人经常被认为比他们受伤更严重。
另一方面;老年人在发生跌倒事故等事件时，通常被评估为轻度受伤，尽管由于内出血等后果，他们的病情可能突然危及生命。
广告
尽管数学模型显示，许多人的生命可能会被挽救，但在救护车人员使用这项技术之前，还有很长的路要走。
关键的一步是找到方法，将所有信息快速方便地输入到人工智能工具中，并使服务能够以良好的方式与用户交互。
“例如，你能和工具说话，让双手自由吗?”如何使用现有的程序和协议与人工智能协同工作，以及如何在添加新数据时更新对员工的建议?当我们进行更多的研究和原型工作时，我们需要测试和考虑这些因素，”Anna Bakidou说。
在人工智能服务成为救护人员日常生活的一部分之前，还需要进行长期的大规模临床试验。
“这些规定意味着这需要时间，而且还有对人工智能的恐惧。如果出了问题，可能会有严重的后果。所有要引入医疗保健的东西都必须经过验证。与此同时，我们知道，今天使用的一些方法并不总是最好的。当涉及到救护车护理时，对人工智能的研究并不多，我们希望我们的数学模型能够为适应工作环境的支持做出贡献，从长远来看，提供更平等的护理，”合著者，查尔默斯大学电气工程系副教授Stefan canddefjord说。
参考:
现场损伤严重程度预测(OSISP)模型的创伤开发使用瑞典创伤登记处
——(https://bmcmedinformdecismak.biomedcentral.com/articles/10.1186/s12911 - 023 - 02290 - 5)
Source-Eurekalert
