21-大国冲突中医疗后送的人工智能

<h1>大国冲突中医疗后送的人工智能</h1><img alt="IMG_256" src="/media/202408//1724838593.163472.png" /><a id="en-media:image/jpeg:9aa8b836ad299c4c2dfeef46ad416e26:none:none"></a>九月炎热的一天，凌晨 4 点 45 分，<a href="https://medevacmatters.org/spc-chazray-clark/">阿富汗南部</a>。路边的一个简易爆炸装置刚刚爆炸，随后传来“医生！”的呼喊声。<a href="https://www.cbsnews.com/news/did-military-rules-cost-a-soldier-his-life/">规格。查兹雷·克拉克右脚踩在炸弹上</a>，失去了双脚和左前臂。克拉克的战友立即提供医疗护理，希望他能活下来。毕竟，该部队的前线作战基地距离这里仅 1.5 英里，并且有一支训练有素的医疗后送 (medevac) 团队正在等待应对此类性质的事件。爆炸发生后不久，就提交了一份 9 线医疗后送请求，克拉克的指挥官迈克·卡托纳 (Mike Katona) 中校得到保证，一架医疗后送直升机正在前往安全接送地点的途中。不幸的是，事实并非如此。求救信号发出后 34 分钟后，医疗后送小组仍在等待命令。尽管伤员收集点是安全的，但现行政策要求武装武装直升机护送医疗救护直升机，但没有可用的。直到凌晨5点24分，医疗救护直升机才开始飞往接载地点，但为时已晚。克拉克于凌晨 5 点 49 分抵达坎大哈机场医疗中心，不久后被宣布死亡。<a href="https://warontherocks.com/membership/">成为会员</a>没有人知道如果克拉克早点接受先进的手术治疗，他是否还能活下来，但大多数人都会同意他的生存机会会高得多。什么地方出了错？为什么在这个可怕的时刻没有武装护送？目前的医疗后送政策是否已经过时？如果是这样，人工智能可以改进当前的做法吗？由于<a href="https://www.nytimes.com/2020/04/18/world/africa/west-africa-special-operations-medevac.html">可用资源有限</a>，美国军方应该仔细规划在大规模作战行动之前和期间如何利用医疗后送资产。现在应该如何配置资源以最大限度地提高医疗后送的有效性和效率？如何根据不断变化的、预期的地点和医疗后送需求（即伤亡）强度，在整个行动过程中动态地重新定位地面和空中救护车？此外，这些决策应如何考虑行动限制以及使用地面和空中路线的（自然和敌人引起的）风险以及伤员收集点的疏散程序？最后，每当收到医疗后送请求时，考虑到特定地区的预期未来需求，应派遣哪些可用资产？军事医疗后送事业很复杂。因此，任何定位和调度决策的自动化都需要准确的数据、有效的分析技术以及两者的精心整合和合乎道德的使用。<a href="https://warontherocks.com/2019/10/with-ai-well-see-faster-fights-but-longer-wars/">人工智能</a>，更具体地说，机器学习技术与运筹学领域的传统分析方法相结合，为自动化和优化医疗后送定位和调度程序提供了宝贵的工具。美国军方利用<a href="https://armypubs.army.mil/epubs/DR_pubs/DR_a/pdf/web/ARN17834_ATP 4-02x2 FINAL WEB.pdf">地面和空中资产</a>执行医疗后送任务。旋翼空中救护车（即 HH-60M 直升机）通常专门用于救治最<a href="https://tacticaldefensemedia.com/evolving-mass-casualty-combat-medevac/">危重的病人和/或伤员</a>，对他们来说，疏散速度和直接前往高性能医疗设施的灵活性对于最大限度地提高生存能力至关重要。地面救护车的行驶距离和速度不如空中救护车，但这一限制被其<a href="https://www.jcs.mil/Portals/36/Documents/Doctrine/pubs/jp4_02ch1.pdf&quot; \l &quot;page=212">在整个部队中的更大扩散所抵消。</a>机器学习预测医疗后送需求2001 年至 2014 年间，美国军方针对阿富汗发生的伤亡事件发出了<a href="https://journals.lww.com/jtrauma/fulltext/2018/01000/Reexamination_of_a_Battlefield_Trauma_Golden_Hour.2.aspx">超过 4,500 份医疗救护请求。</a>导致医疗后送请求的伤亡事件的位置、威胁级别和严重程度会影响医疗后送资产的需求。事实上，某些地区的需求可能比其他地区更高，在战斗行动开始时需要更多的医疗后送资产。机器<a href="https://expertsystem.com/machine-learning-definition/">学习</a>模型（例如，<a href="https://news.mit.edu/2017/explained-neural-networks-deep-learning-0414">神经网络</a>、<a href="http://papers.nips.cc/paper/1238-support-vector-regression-machines.pdf">支持向量回归</a>和/或<a href="https://www.stat.berkeley.edu/~breiman/RandomForests/cc_home.htm">随机森林</a>）可以通过考虑相关信息（例如当前的任务计划、预计的敌人位置和先前的伤亡事件数据）来准确预测每个战斗区域的需求。有效的机器学习模型需要代表未来事件的历史数据。<a href="https://home.army.mil/rucker/index.php/units-tenants/tenants/mepd">最近的医疗后送行动的历史数据可以从以前的冲突和医疗后送支持部门</a>的重要活动报告中获得。例如，<a href="https://journals.sagepub.com/doi/10.1177/1548512910364390">一项研究</a>利用从医疗后送倾向部门获得的伊拉克自由行动飞行日志来估算给定地点的伤亡人数，以帮助确定稳态战斗行动期间医疗资产的最佳分配。还存在开源、非机密数据（例如，<a href="http://www.operationspaix.net/DATA/DOCUMENT/5278~v~Struggle_For_Kabul___The_Taliban_Advance.pdf">国际安全与发展理事会</a>、<a href="https://dcas.dmdc.osd.mil/dcas/pages/main.xhtml">国防伤亡分析系统</a>和<a href="https://www.prio.org/Data/Armed-Conflict/">武装冲突数据</a>）。尽管历史数据可能并不存在于每个潜在的未来操作环境中，但仍然可以用来概括伤亡事件的特征。例如，<a href="https://link.springer.com/article/10.1007/s10729-014-9297-8">一项研究</a>根据伤亡聚集中心与主要供应路线和/或河流（那里有大量人口）的接近程度来模拟伤亡聚集中心的空间分布。它利用蒙特卡洛模拟综合生成真实数据，而机器学习从业者可以利用这些数据来预测未来需求。通过机器学习模型进行需求预测至关重要，但不足以优化医疗后送程序。例如，考虑这样一种场景，其中大部分需求预计发生在位于作战区域两侧的两个战斗区域。如果没有足够的医疗后送资源来及时响应这两个地区的所有预期医疗后送需求，那么医疗后送资产应部署在哪里？或者，考虑这样一种情况：一个区域在行动开始时需要大部分医疗后送支持，但预期需求稍后会转移到另一个区域（或多个区域）。即使无法重新配置资产以及时响应其他区域的未来需求，是否也应该定位资产来响应第一个区域的需求？从长远来看，这些决定如何影响作战行动？定位、动态重新定位和调度医疗后送资产的优化方法当前的决策如何影响未来的决策？在整个作战行动中实施的决策是相互依存的，应该相互结合做出。更具体地说，为了制定可行、现实的计划，有必要做出最初的医疗后送资产定位决策，同时考虑在行动期间动态重新定位资产的可能决策。此外，每项决策都应考虑所有作战地区的预期总需求，以确保有限的资源得到适当管理。有多少种可能的资产位置选择可供决策者考虑？例如，假设有 20 个专用地面和空中医疗后送资产需要分布在六个不同的前沿作战基地。此外，假设在为期 14 天的作战行动中，每天都会做出有关重新部署这些资产的决策。在为期两周的作战行动中的任何一天，20 种资产中的任何一种都可以重新部署到六个作战基地之一。在不考虑距离、可用性、需求限制或多种资产类型的情况下，需要考虑的选项数量大约超过 10,000 个！如果没有定量分析提供的洞察力，个人（甚至团队）实际上不可能确定最佳定位策略。尽管机器学习模型可以预测需求可能出现的时间和地点，但它无法告知决策者在哪里部署有限的资源。为了克服这个问题，<a href="https://www.jstor.org/stable/26902402?seq=1&quot; \l &quot;metadata_info_tab_contents">运筹学技术</a>——更具体地说，优化模型的开发和分析——可以有效地确定整个规划范围内<a href="https://www.sciencedirect.com/science/article/pii/S030504831831435X">作战区域动态资产定位策略的最佳策略。</a>优化模型的目标定义了决策者寻求最大化和/或最小化的定量测量目标。例如，决策者可能寻求最大化需求覆盖、最小化响应时间、最小化重新定位资产的成本和/或最大化医疗后送人员的安全和安保。这些决策对应于为计划的作战行动在前线作战基地部署各类资产的时间、地点和数量，以及如何根据医疗后送请求调度<a href="https://link.springer.com/article/10.1007/s10479-018-2760-z">资产</a>。有必要了解有关单位能力和配置的信息，以准确地为优化模型提供信息。这些信息包括医疗后送资产的数量、类型和初始定位，以及预计的需求地点、威胁级别和伤害严重程度。优化模型还考虑操作约束以确保生成可行的解决方案。这些限制包括行进距离和时间、燃料容量、前沿作战基地能力和政治考虑。尽管作战行动具有长期性和战略性，但医疗后送资产可能需要在不同的集结设施之间动态重新定位（即重新定位），特别是随着需求的部署和强度发生变化。例如，可能有必要将资产从预计需求较低的作战区域附近的前沿作战基地重新部署到预计需求较高的区域附近的基地。此外，在确定部署哪种类型的资产时，考虑预计的威胁和严重程度也很重要。例如，将武装护航部署在更靠近预计威胁级别较高的作战区域可能是有益的。同样，空中救护车的位置应更靠近预计严重程度较高（即危及生命的事件）的作战区域。资产部署不当可能会导致响应时间延迟、风险增加以及伤亡生存率下降。确定医疗后送资产位置的一种方法是开发一个优化模型，该模型同时考虑以下目标：最大化需求覆盖范围、最小化响应时间以及最小化受兵力投送、后勤和资源限制的重新安置数量。可以通过为每个考虑的目标分配不同的权重（即重要性级别）来执行权衡分析。考虑到医疗后送资产的最佳布局，应考虑的另一个重要决定是如何根据服务请求派遣空中救护车。美国军方目前采用最接近的调度政策来响应传入的服务请求，顾名思义，该政策要求最接近的医疗后送部队将战场伤亡人员从受伤点快速疏散到附近的创伤设施。在小规模和/或低强度冲突中，该政策可能是最佳的。不幸的是，情况并非总是如此，特别是在大规模、高强度的冲突中。例如，假设提交了一份无生命危险的医疗后送请求，并且只有一架空中救护车可用。此外，假设高强度行动正在进行，并且预计在不久的将来会出现危及生命的医疗后送请求。是让空中救护机来满足当前的、不危及生命的请求更好，还是应该保留空中救护机来处理预计并可能在不久的将来发生的危及生命的请求？<a href="https://link.springer.com/article/10.1007/s10479-018-2760-z">许多研究人员已经探索了通过利用马尔可夫决策过程</a>和<a href="https://pubsonline.informs.org/doi/abs/10.1287/ijoc.2019.0930">近似动态规划</a>等运筹学技术可以大大改进最接近可用调度策略的场景。调度决策者（即调度当局）在决定使用哪些医疗后送资产来响应服务请求时应考虑大量的不确定性。<a href="https://www.sciencedirect.com/science/article/pii/S0377221720306949">利用近似动态规划</a>，军事分析人员可以对大规模的现实场景进行建模，并制定考虑到固有不确定性和重要系统特征的高质量调度策略。例如，<a href="https://www.sciencedirect.com/science/article/pii/S0377221716302363">一项研究表明</a>，就基于叙利亚想象场景的响应时间的救生性能指标而言，基于近似动态规划的调度策略可以比最接近的可用调度策略提高 30% 以上。道德应用需要决策者参与其中优化模型可以提供有价值的见解和可操作的政策，但是当发生意外事件（例如，空中救护车变得无法执行任务）或获得新信息（例如，无人机在新的环境中捕获敌方活动时，决策者应该做什么？地点）？创建和实施优化模型是不够的。相反，有必要创建和提供一个易于理解的仪表板，以显示信息和建议的决策，后者由机器学习和运筹学技术提供信息。为了产生更大的价值，这样的仪表板应该允许其用户（即决策者）进行假设分析，以测试、可视化和理解不同场景下不同政策的结果和后果。这样的仪表板并不是万能的工具。相反，它是人类有效利用信息和分析来做出更好决策的一种手段。未来的决策涉及人工智能和人类判断。<a href="https://warontherocks.com/2020/01/the-ethical-upside-to-artificial-intelligence/">虽然人类缺乏人工智能可以为数据处理任务提供的能力和速度，但人工智能缺乏做出艰难和道德决策</a>所需的情商。例如，机器学习模型可能能够诊断复杂的战斗行动并推荐决策以提高医疗后送系统的性能，但人类的判断对于解决可能无法量化和作为数据输入的无形标准是必要的。<a href="https://www.iiss.org/blogs/military-balance/2019/04/battlefield-medicine">尽管美国军事医疗后送系统的有效性和效率在阿富汗、伊拉克和叙利亚</a>最近的行动中非常成功，但未来<a href="https://tacticaldefensemedia.com/evolving-mass-casualty-combat-medevac/">的行动环境可能</a>与美国过去 20 年的作战环境有很大不同。人工智能和运筹学技术可以结合起来创建有效的决策工具，与人类的判断相结合，改善大规模战斗行动的医疗后送服务，最终挽救更多生命。前进之路空军理工学院目前正在研究具有不同问题特征的各种医疗后送场景，以确定将上述人工智能和运筹学技术纳入主动医疗后送行动中的可行性和益处。一旦制定出可行的方法，下一步就是获得高级军事领导人的支持。联合人工智能中心（国防部人工智能卓越中心）<a href="https://media.defense.gov/2019/Feb/12/2002088963/-1/-1/1/SUMMARY-OF-DOD-AI-STRATEGY.PDF">目前以并行的宏观层面为重点，正在寻求新的人工智能举措</a>，以展示价值并激发动力，以加速人工智能的采用并创建部队配合对于这个时代。<a href="https://warontherocks.com/membership/">成为会员</a><a href="https://www.afit.edu/BIOS/bio.cfm?facID=613">菲利普·R·詹金斯上尉博士</a>是空军理工学院运筹学助理教授。他的学术研究涉及与军事防御相关的问题，例如部署环境中医疗后送资产的定位、分配和调度。他是一名现役空军军官，拥有近八年的运筹分析师经验。<a href="https://www.afit.edu/BIOS/bio.cfm?facID=248">Brian J. Lunday</a>博士是空军理工学院运筹学教授，研究最佳资源定位和分配模型。他作为现役陆军军官服役了 24 年，担任过作战研究分析师和战斗工程师。<a href="https://www.afit.edu/BIOS/bio.cfm?facID=618">马修·J·罗宾斯 (Matthew J. Robbins</a> )博士是空军理工学院运筹学副教授。他的学术研究涉及面向防御问题的计算随机优化方法的开发和应用。罗宾斯担任现役空军军官 20 年，担任过各种情报和运筹学分析师职位。 本文表达的观点仅代表作者的观点，并不反映美国空军、国防部或美国政府的官方政策或立场。图片：<a href="https://media.defense.gov/2016/Aug/23/2002035462/-1/-1/0/160819-Z-ZS194-002C.JPG">中士。一等托马斯·惠勒</a><a href="https://warontherocks.com/category/commentary/">评论</a><a href="https://warontherocks.com/2020/09/artificial-intelligence-for-medical-evacuation-in-great-power-conflict/">https://warontherocks.com/2020/09/artificial-intelligence-for-medical-evacuation-in-great-power-conflict/</a>