在医院的重症监控病房(简称ICU)当中，病情严重的患者需要全天连接一组设备，从而随时得到生命体征监控与维持。这些先进的医疗设备旨在帮助病人保持生存：静脉输液不断向血管内注射营养剂，机械式呼吸机将空气推入肺部，粘贴在身体上的传感器负责追踪心率、血压及其它生命体征，而床边的监测器则会波浪形线条绘制数据结果。当机器记录到超出正常参数的测量值时，则会立即发出蜂鸣与警报，从而提醒医务人员注意可能出现的潜在问题。
虽然这样的场景当中充满了高科技元素，但这些技术本身并没有得到充分的利用。每一台机器都在以彼此隔离的方式监控病患的一部分信息，且各设备之间无法协同工作——即无法捕捉或者分析丰富的数据流。ICU团队中的核心护理医生、护士、呼吸治疗师、药剂师以及其他专家们显然不可能随时对每位病患加以密切关注。
未来的ICU将更好地利用机器及其产生的连续数据流。各监控装置不再孤立运作，而是对信息加以汇总，从而向医生全面展示患者的健康状况。此外，这些信息还将流向人工智能(简称AI)系统，并由此类系统据此对设备设置进行自动调整，最终确保患者始终处于***健康状态。
在我们公司——位于新泽西州霍博肯的Autonomous Healthcare公司，我们正在为ICU设计并构建首批人工智能系统。这些技术方案旨在提供细致且敏锐的护理服务，如同有专家长期守在病人床边般仔细校准治疗方法。这类系统能够显著降低重症监护病房中工作人员的负担，更重要的是，该技术还有望帮助患者更快离开ICU环境，从而降低医疗保健成本。我们最初将着眼点放在美国本土的医院当中，但随着人口老龄化与慢性病患病率的增加，我们意识到此类技术在世界各地都能够发挥重大作用。
由此带来的收益很可能极为可观。在美国，ICU是医疗保健体制内最昂贵的组成部分。目前每天约有5万5千名患者在ICU接受治疗，而一般的日均费用从3千美元到1万美元不等。相关累计成本每年超过800亿美元。
随着婴儿潮一代逐步成为老人，ICU的重要意义也得到进一步凸显。当下，美国超过半数的ICU患者年龄高于65岁——预计这部分人口将由2014年的4600万增长至2030年的7400万。欧洲与亚洲呈现出的类似趋势，已经使其成为一个世界性的难题。为了满足日益增长的急性临床护理需求，ICU需要进一步提升自身功能与容量。在这方面，除了培养更多重症监护专家之外，引入自动化手段也是一种重要的实现途径。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，帮助医生与护士在最需要他们的时间与地点运用自己的技能。
一部分重症患者需要佩戴机械式呼吸机[1]。这些机器能够将空气推入肺部，但其节奏可能与自然呼吸模式并不同步，这将导致患者与呼吸机间“产生对抗”。智能控制系统可以利用机器学习算法实时读取气流通量[2]并识别不同类型的呼吸机异步[3]状况。在这种完全自主的系统当中，自适应控制器[4]会不断调整呼吸机的气流，使其与患者之间保持同步。作为实现全面自主运作的***步，可以利用类似的系统作为ICU中的决策支持工具，从而为呼吸治疗师提供设备调整建议。
在目前的ICU当中，由于显示器每隔几秒就会刷新一次，因此来自床边监视器的数据往往无法得到全程关注。虽然一部分先进的ICU已经在尝试对这些测量值加以归档，但医护人员仍然很难挖掘这些数据以获得临床见解。
人类医生通常既没有时间，也没有工具以掌握这些快速积累起来的数据。然而，人工智能系统却能够做到这一点。此外，其还可以根据数据采取措施，例如调整关键ICU任务中涉及的机器。在Autonomous Healthcare公司，我们首先关注用于管理患者通气与液体的人工智能系统。当患者处于镇静状态或者患有肺衰竭(一种常见的ICU病症)时，机械呼吸机即会发挥作用。严谨的液体管理将可保证患者的循环系统始终拥有适当的血液流通量，从而使其所有组织与器官皆获得充足的氧气供应。
事实上，我们的方法来自一个看似无关的领域：航空航天领域。我们两个——Haddad与Gholami——原本都是航空航天领域的控制工程师。我们***次见面是在乔治亚理工学院的航空航天工程学院，Haddad当时是院里的动力系统与控制学教授，Gholami则是博士研究员。2000年之后Bailey也加入了我们的团队，当时他在埃默里大学医学院担任麻醉学副教授。Haddad与Bailey最初着手研究控制方法，希望能够在手术室当中以自动化方式实现麻醉剂量供应与分娩处理。相关的临床研究测试在亚特兰大埃默里大学医院以及乔治亚州盖恩斯维尔的东北乔治亚医疗中心进行。在此之后，我们将目光投向更为复杂且广泛的ICU控制方向。2013年，Haddad与Gholami成立了Autonomous Healthcare公司，旨在将我们的人工智能系统商业化。Gholami担任公司的CEO，Haddad出任***科学顾问，Bailey则为***医疗官。
那么，航空航天科学与医学之间到底存在哪些共通点?具体来讲，二者都涉及大量数据，必须快速处理这些数据以便在生命面临威胁时做出决策; 此外，两者都要求同时执行多种任务并保持平稳的运作状态。更具体地讲，我们已经看到反馈控制技术在重症监控医学中的作用。这些技术利用算法与反馈通过感测、计算以及驱动等修改工程系统的行为。事实上，此类技术在飞行控制与空中交通管制等重要安全系统中可谓无处不在。
然而，飞机与医院病患之间存在着重大差异。飞机的设计与控制基于完善的力学与空气动力学理论，而人体则属于极为复杂的生物系统——事实上，时至今日我们仍然没有完全理解这些系统的运作方式与相互作用。
下面回到机械式呼吸机的管理方面。存在直接创伤、肺部感染、心力衰竭或者脓毒症等炎症综合征的ICU患者可能需要呼吸机的支持，利用其将空气压入肺部以实现被动式换气呼吸。该设备会不断运作以替代或者帮助患者完成自主呼吸。
然而，人与机器之间的互动往往非常微妙。人体拥有自己的自动呼吸控制机制，其中神经系统触发膈肌收缩并向下拉伸肺部，从而开始吸入空气。呼吸机必须具备同样的固有驱动方法，即以自然的方式同步患者的吸气与呼气过程，并尽可能与患者自主呼吸时的气流量相匹配。
为了让患者及时利用机械式呼吸机进行呼吸辅助，Autonomous Healthcare公司的Syncrom-E系统能够对气流进行分析。
遗憾的是，患者的需求与机器的输送能力之间往往存在着严重的不匹配问题——这可能导致患者与呼吸机间“产生对抗。”举例来说，患者可能天然需要更长的时间进行吸气，但呼吸机却过早地转换至呼气阶段。机械式呼吸机以及其它类型呼吸机普遍存在这种同步问题，且其直接关系到ICU内病患的驻留时长甚至是死亡风险。此外，专家们还没有彻底弄清这种异步状况会产生哪些更具体的不利影响; 但可以肯定的是，当机器将空气硬性推入肺部时，未同步的患者显然会感到不适，而肌肉性反应将会带来额外的体能消耗。在美国的ICU当中，存在严重呼吸机不同步问题的患者比例估计在12%至43%之间。
解决这个问题的***步，当然是要进行呼吸频率检测。经验丰富的呼吸治疗师能够持续观察呼吸机显示屏上的压力指数与流量波形，从而识别出不同类型的异步问题。但在ICU当中，一名呼吸治疗师往往需要监管10名甚至更多患者，因此其显然无法随时陪伴在每一位患者身边。
在我们公司，我们设计出一套机器学习框架，能够复制人类在检测各类异步问题中的专业知识。为了训练这套系统，我们利用呼吸机患者的波形数据集，其中每个波形都由一组临床专家进行评估。我们的算法学习了多种不同的异步特征——例如特定时间点中气流信号内体现出的特定倾角等。在我们对算法效能的***评估当中，我们专注所谓的循环异步，这也是***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，而我们的算法能够在对新数据集内循环异步进行检测时表现出极高的准确性，且相关结论与人类专家的判断保持高度一致。
我们目前正在东北乔治亚医疗中心的ICU测试这套算法，从而实时检测真实患者的呼吸异步问题。该技术已经被纳入临床决策支持系统，用以帮助呼吸治疗师更快更准确地评估患者需求。这套框架还能够为研究人员提供工具，用以更好地理解产生呼吸异步问题的根本原因及其给患者造成的影响。我们的长期目标是设计出新的机械式呼吸机，确保根据每位患者的需求自动调整自身设置。
提到ICU的场景，很多朋友的脑海中可能浮现的是患者床边悬挂着塑料袋，液体不断通过静脉滴注进入体内。没错，大约四分之三的患者在ICU住院期间都确实需要接受这种药剂注射。
然而，对注射药剂的具体量进行校准一直未能以科学的方式进行。事实上，追踪患者的液体注射情况一直是项艰难的任务：没有哪种现有医疗传感器能够直接监测液体量，因此医生只能依赖于间接性指标，例如血压与尿量等。而患者实际需要的液体注射量，取决于他们所罹患的疾病与当前服用的药物等因素。
大部分ICU病患都需要利用输液泵与静脉输液[1]等方式将液体滴入静脉。其间，保证输入液体量的准确可谓至关重要：如果循环系统中的液量过低或者过高，则可能引发严重的并发症。智能控制系统能够实时追踪相关指标[2]，例如动脉血压及心脏泵血量; 而后，系统可以将数据输入至生理模型[3]，该模型用于表示液体如何穿过身体中的血管与组织。在这套完全自主的系统当中，自适应控制器[4]可以连续调节液体输入量以保持患者稳定。在起步阶段，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。
对于脓毒症患者而言，获得正确的液体注入量则更为重要。脓毒症是一种以全身炎症为特征且可能危及生命的综合症。在此类患者中，往往普遍存在血管扩张、血压降低，且体液自最细小的血管——即毛细血管处泄漏等问题。在这种情况下，血液能够为器官提供的氧携带量将有所降低，因此可能导致器官衰竭甚至患者死亡。医生需要分配药物以增强血压，并将额外的液体泵入患者的循环系统之内以对抗败血症。
其中最重要的就是注入足够但又不致于过量的液体——过量会引发多种并发症，包括肺水肿、肺部积液，甚至干扰正常呼吸。研究表明，液体注入量超标有可能带来更长的机械式呼吸机使用周期、更长的住院时间甚至是更高的死亡率。
因此，医生的目标是将患者的体液维持在一定水平——这一水平基于普通患者的整体模型。当医生们巡查ICU时，他们会通过检查血液中的混合气体并监测血压/尿量来确定患者是否处于稳定的水平。很明显，这种对注入液体添加时间/添加量的判断是非常主观的，且很难总结出普遍适用的***实践标准。
人工智能系统在这方面可以作得更好。其不再根据患者普遍情况制定目标并做出决策，而是实时分析个别患者的各项生理指标，并根据其具体需求不断进行注射液分配。
在Autonomous Healthcare公司，我们开发出一套全自动系统，其能够间接测量患者的体液水平(例如血压以及每次心跳泵出血液量的变化)，而后将数据输入复杂的生理模型当中。我们的系统利用这些测量值以评估液体在人体血管与组织之间的移动方式，并在出现新测量值时不断调整参数。我们还拥有专门的自适应控制器，可根据后续的流量输入对设置做出调整。
我们技术方案的一大优势，在于其关注控制工程师们所谓的闭环系统稳定性——这意味着任何对于正常状态的振动都只会导致轻微且短暂的变化。目前已经有大量工程应用采用可确保闭环稳定性的控制系统——例如在飞机遭遇强大的湍流时，自动驾驶系统会进行补偿以尽可能降低振动幅度。然而，大多数医疗设备的控制系统都没有这样的保障能力。如果医生判断脓毒症患者的体液水平正急剧下降，他们可能会一次性注入大量液体，并引发过度补偿问题。
为了防止ICU患者从输液泵中获得的注射液量过多/过少，Autonomous Healthcare公司的CLARC系统能够从循环系统中获取读数信息。
我们已经与兽医麻醉师与心血管生理学家Willaim Muir合作测试了这套自动化液体管理系统。面对正遭受出血折磨的小狗，我们利用这套系统调节液体的输注操作。我们的系统成功令小狗保持在稳定状态——其每次心跳所泵送的血液量始终较为恒定。
当然，我们还需要进行更多测试，以获得针对人类病患采用全自动液体管理系统的监管批准。与我们在呼吸机管理方面进行的尝试一样，我们可以首先从为ICU建立决策支持系统起步。这种“人类在环”系统将向临床医生提供信息与建议，而后由临床医生据此对轮流泵设置做出调整。
除了呼吸与液体管理之外，与患者护理相关的其它重要自动化方向还包括疼痛管理与镇静等。在未来的ICU中，我们设想大部分此类临床操作都可由人工智能系统监控、协调与控制，由人工智能系统评估每位患者的生理状态并实时调整其中的设备设置。
然而，要实现这一愿景，单单提供可靠的技术还远远不够。我们还必须解决医院体系中存在的诸多监管障碍与体制性约束。
很明显，监管机构需要认真审查任何新型自主医疗系统。我们建议监管机构采用汽车与航空航天工业中常用的两种测试框架。首先是计算机模拟实验，其通过计算机模拟测试算法。当然，这些测试的前提在于模拟环境以高保真生理模型为基础。目前，其在某些应用层面已经成为可能——例如，美国食品与药物管理局最近批准利用计算机模拟试验作为动物试验的替代方案，进而开发出用于糖尿病患者的人工胰腺。
第二套实用性框架是利用“硬件在环”测试，其中硬件代表需要关注的对象——包括喷气式发动机乃至人体循环系统。此后，大家可以在硬件平台上测试相关设备，例如自动化液体注射泵，其能够生成与真实临床监护仪上相同的数据类型。这些硬件在环测试可以证明设备在模拟与现实场景下拥有同样良好的表现。一旦这些技术被证明适用于危重病人，那么接下来即可真正在病患护理中进行实地测试。
要将这些技术引入医院，***一步在于赢得医学界的认可与信任。医学领域是个普遍保守的环境，当然这种保守也有着充分的理由。没人愿意做出可能对患者健康产生威胁的变化。而我们的方法在于分阶段验证自身技术：我们首先实现决策支持系统商业化，用以展示其功效与收益; 而后逐步转向真正的自主系统。随着人工智能水平的提升，我们相信ICU完全能够展现出更智能、更安全也更健康的新面貌。
