Using AI to Optimize Patient Transfer and Resource Utilization During Mass-Casualty Incidents: A Simulation Platform

📄 arXiv: 2509.08756v1 📥 PDF

作者: Zhaoxun "Lorenz" Liu, Wagner H. Souza, Jay Han, Amin Madani

分类: cs.LG, cs.AI, cs.HC

发布日期: 2025-09-10

💡 一句话要点

提出基于深度强化学习的决策支持AI，优化大规模伤亡事件中的患者转运和资源利用。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 深度强化学习 大规模伤亡事件 患者转运 资源优化 决策支持系统

📋 核心要点

  1. 大规模伤亡事件中，快速准确的患者分配决策面临巨大挑战，现有方法难以兼顾患者病情、医院容量和运输物流。
  2. 论文提出基于深度强化学习的AI智能体，模拟MCI场景，优化患者转运决策，旨在平衡患者需求与医疗资源。
  3. 实验结果表明，AI智能体在决策质量和一致性方面优于创伤外科医生，并能显著提升非专家的决策水平。

📝 摘要（中文）

大规模伤亡事件（MCI）对医疗系统造成巨大压力，需要在极端压力下快速、准确地做出患者-医院分配决策。本文开发并验证了一种基于深度强化学习的决策支持AI智能体，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，来优化模拟MCI期间的患者转运决策。为了集成该AI智能体，我们开发了MasTER，一个可从Web访问的MCI管理模拟指挥面板。通过对30名参与者（6名创伤专家和24名非专家）进行的对照用户研究，我们评估了在大多伦多地区20人和60人MCI场景中，与AI智能体的三种交互方式（仅人类、人机协作和仅AI）。结果表明，增加AI的参与显著提高了决策质量和一致性。AI智能体的性能优于创伤外科医生（p < 0.001），并使非专家在辅助下达到专家水平的性能，这与他们未经辅助的显著较差性能形成鲜明对比（p < 0.001）。这些发现确立了我们的AI驱动决策支持在加强MCI准备培训和现实世界应急响应管理方面的潜力。

🔬 方法详解

问题定义：论文旨在解决大规模伤亡事件（MCI）中，患者转运和医院资源分配的优化问题。现有方法，如人工决策或简单的规则引擎，难以在短时间内处理大量信息，做出最优决策，容易导致资源浪费和患者延误。现有方法的痛点在于无法动态适应不断变化的事件状态，缺乏全局优化能力。

核心思路：论文的核心思路是利用深度强化学习（DRL）训练一个AI智能体，使其能够模拟MCI场景，学习最优的患者转运策略。通过奖励函数的设计，引导智能体在满足患者需求的同时，最大化医疗资源的利用率。这种方法能够动态适应事件变化，实现全局优化。

技术框架：MasTER平台包含以下主要模块：1) MCI场景模拟器：模拟患者的产生、病情发展、医院容量等；2) DRL智能体：基于深度神经网络，接收场景状态作为输入，输出患者转运决策；3) 交互界面：允许用户（专家或非专家）与AI智能体进行交互，进行人机协作或独立决策；4) 评估模块：评估不同决策方案的性能指标，如患者死亡率、资源利用率等。

关键创新：论文最重要的技术创新点在于将深度强化学习应用于MCI患者转运决策。与传统的优化算法相比，DRL能够处理高维、动态的MCI场景，学习复杂的决策策略。此外，论文还设计了一个可交互的模拟平台MasTER，方便用户进行MCI演练和评估。

关键设计：DRL智能体使用深度Q网络（DQN）或其变体（如Double DQN、Dueling DQN）。状态空间包括患者的病情严重程度、位置、医院的容量、资源可用性等。动作空间包括将患者转运到哪个医院。奖励函数的设计至关重要，需要平衡患者的生存率、转运时间、医院的资源利用率等因素。训练过程中，采用经验回放和目标网络等技术，提高训练的稳定性和效率。

📊 实验亮点

实验结果表明，在模拟的MCI场景中，AI智能体的决策性能显著优于创伤外科医生（p < 0.001）。在人机协作模式下，非专家的决策水平可以达到甚至超过专家的水平，显著提升了MCI应对能力。AI的参与显著提高了决策质量和一致性。

🎯 应用场景

该研究成果可应用于大规模伤亡事件的应急响应和准备。通过MasTER平台，医护人员可以进行MCI演练，提高应对突发事件的能力。AI智能体可以作为决策支持工具，辅助医护人员做出更快速、更准确的患者转运决策，从而提高患者生存率，优化医疗资源利用。未来，该技术有望推广到其他类型的紧急事件管理中。

📄 摘要（原文）

Mass casualty incidents (MCIs) overwhelm healthcare systems and demand rapid, accurate patient-hospital allocation decisions under extreme pressure. Here, we developed and validated a deep reinforcement learning-based decision-support AI agent to optimize patient transfer decisions during simulated MCIs by balancing patient acuity levels, specialized care requirements, hospital capacities, and transport logistics. To integrate this AI agent, we developed MasTER, a web-accessible command dashboard for MCI management simulations. Through a controlled user study with 30 participants (6 trauma experts and 24 non-experts), we evaluated three interaction approaches with the AI agent (human-only, human-AI collaboration, and AI-only) across 20- and 60-patient MCI scenarios in the Greater Toronto Area. Results demonstrate that increasing AI involvement significantly improves decision quality and consistency. The AI agent outperforms trauma surgeons (p < 0.001) and enables non-experts to achieve expert-level performance when assisted, contrasting sharply with their significantly inferior unassisted performance (p < 0.001). These findings establish the potential for our AI-driven decision support to enhance both MCI preparedness training and real-world emergency response management.