ISS计算器（首个微信小程序版，首次使用后下拉微信即可调出，点击蓝字链接体验收藏）
一、战场创伤救治与决策支持系统
1. FDA批准的AI出血风险评估设备——APPRAISE-HRI
2025年，美军在AI医疗设备领域取得了里程碑式的突破。美国国防部开发的APPRAISE-HRI（Automated Processing of the Physiological Registry for Assessment of Injury Severity - Hemorrhage Risk Index）软件获得了美国FDA的510(k)上市许可（K233249），成为首个获批用于创伤患者出血风险评估的AI软件医疗设备[Frock et al. 2025]。该设备通过分析创伤患者的心率和血压等生命体征模式，将出血风险分为三个等级：I级（低风险）、II级（中等风险）和III级（高风险）。在涵盖5,895名创伤患者（543名出血性损伤患者和5,352名对照）的多中心验证研究中，III级出血风险患者发生出血的可能性是对照组的6.88倍，而I级患者仅为对照组的0.18倍，显示出强大的风险分层能力。该设备由美国陆军医学物资开发活动部和战斗伤亡护理项目领域理事会资助研发，专为战场环境设计，旨在帮助战地医护人员快速识别需要紧急处理和优先后送的伤员[Frock et al. 2025]。
2. 自动化战场创伤系统（ABTS）
Baker等开发了自动化战场创伤系统（ABTS），并在美国陆军I军团的Warfighter Exercise 25-02演习中进行了实战测试[Baker et al. 2025]。该系统利用源自俄乌冲突的伤亡数据，自动完成伤员分类、资源需求估算和医疗通用作战图报告。ABTS与Palantir的Maven智能系统集成，提供实时数据可视化和指挥决策支持。该系统的核心突破在于：自动化显著提升大规模作战行动中的伤员管理效率；增强后送和医疗补给的可预测性；作为指挥官的关键风险管理工具；以及与作战功能的集成对作战效能至关重要[Baker et al. 2025]。
3. 强化学习优化战场资源分配
Subramaniyan等开发了一种强化学习AI模型，用于在资源受限的大规模伤亡场景中优化液体复苏资源的分配[Subramaniyan et al. 2025]。该模型利用经过验证的心肺计算模型生成大量合成创伤伤员数据，模拟出血、止血带应用和液体复苏等真实战场场景。在独立模拟数据测试中，AI模型在资源利用效率上是当前标准治疗方案的两倍，且能够恢复超过两倍数量的伤员，展示了在资源受限环境中实现个性化干预和自动化医疗决策的巨大潜力[Subramaniyan et al. 2025]。
4. 战场AI分诊系统（FAIT）
Stolarski等开发了Field AI Triage（FAIT）工具，利用伤后早期收集的外部损伤特征和生命体征数据来预测大规模输血、机械通气和ICU需求[Stolarski et al. 2026]。该模型基于786,957名平民患者（TQIP数据库）和8,946名军人患者（DoDTR数据库）开发。在平民患者中，FAIT将大规模输血预测的AUC从仅使用生命体征的0.70提升至0.89，机械通气预测从0.65提升至0.90，ICU入住预测从0.61提升至0.78。在军人患者中，相应指标分别从0.67提升至0.88、0.76提升至0.90、0.69提升至0.79，显示出显著的性能提升[Stolarski et al. 2026]。
5. AI辅助战场分诊的伦理框架
Mathais等系统性地审视了AI在大规模作战行动中支持战场分诊的机遇与局限[Mathais et al. 2026]。研究指出，AI可通过三个核心功能支持分诊：延伸医护人员的感知能力、在高压环境下维持认知功能、以及实现前瞻性和个性化决策。近期可部署的能力包括可穿戴生理传感器、早期预警系统、数字化伤员文档和无人平台；中期发展可能整合多模态数据融合、预测性决策支持和增强现实辅助；长期概念如数字孪生则设想完全预测性和个性化的分诊与资源分配[Mathais et al. 2026]。
二、AI辅助超声诊断——赋能基层战救人员
1. 陆军卫生兵FAST超声AI辅助
Hartline等进行了一项前瞻性随机对照试验，评估AI辅助对60名陆军卫生兵进行创伤FAST超声检查的影响[Hartline et al. 2025]。结果显示，AI辅助组在左上腹和盆腔切面的图像充分性显著高于非辅助组（P=0.008和P=0.004），操作者信心评分中位数从2.50提升至4.00（P=0.006）。虽然完成时间无显著差异（142.57秒 vs 143.87秒，P=0.9），但AI辅助显著提升了图像质量和操作者信心，表明AI工具可以增强训练不足的卫生兵在战场环境中进行FAST检查的质量[Hartline et al. 2025]。
2. 海军陆战队卫生员肺超声AI辅助
Cote等开展了一项多读者研究，评估AI辅助对5名海军陆战队卫生员（均为超声新手）识别肺滑动征（气胸关键指标）的影响[Cote et al. 2026]。AI辅助使诊断AUROC从0.72提升至0.93（P=0.03），敏感性从0.63提升至0.90，特异性从0.70提升至0.86，总体准确率从0.67提升至0.88（P<0.001）。高信心评级从20%翻倍至37%，低信心评级从38%降至33%。这些结果表明，实时AI决策支持可显著提升军事人员在资源有限环境中的超声诊断能力[Cote et al. 2026]。
3. 空军战场搜救人员的AI超声应用
Schutt和Pavlus探讨了AI辅助超声在Role 1级（最前沿）军事医疗中的应用前景[Schutt et al. 2026]。空军伞降救援人员（Pararescue Jumpers）在偏远高风险环境中提供高级创伤和长期伤员护理，但Role 1级医疗点缺乏诊断影像设备。AI辅助超声通过机器学习算法识别解剖标志和评估图像质量，提供实时采集指导和判读支持，有望显著减少诊断不确定性，改善隐蔽性出血和胸部损伤的检出率[Schutt et al. 2026]。
4. AI辅助野战医院胸片判读
Májovský等在一项对照实验中评估了AI辅助胸片判读在Role 2级野战医院中的效果[Májovský et al. 2025]。9名非放射科专业的军医在AI支持下判读了159张匿名胸片。AI支持使平均诊断准确率提高了9.4%（P<0.001），相对改善幅度达23.15%，且这一改善在正常和异常影像中均保持一致，不受影像类型或医师专业的影响。研究表明，AI工具可在缺乏放射科医师的野战环境中有效提升诊断精度和决策质量[Májovský et al. 2025]。
三、可穿戴设备与生理监测
1. 代偿储备测量（CRM）的战场测试
Convertino等报告了代偿储备测量（CRM）技术在2024年陆军远征作战实验中的现场测试结果[Convertino et al. 2025]。CRM是一种机器学习算法，通过连续实时动脉波形特征分析，反映个体对循环血容量减少的代偿能力，以0%-100%的"燃油表"形式直观显示。90名士兵（包括战地卫生兵、战斗救生员和无医学背景士兵）仅接受约20分钟培训后，在模拟大规模伤亡事件场景中，尽管所有3名"伤员"的生命体征均保持在临床正常范围内，参与者正确识别休克顺序的比例高达93%。90%的参与者认为CRM增强了其生存能力功能，表明该技术可帮助战地人员比传统生命体征更早发现活动性出血并进行分诊优先排序[Convertino et al. 2025]。
2. 可穿戴传感器与AI分诊平台
Alnuaimi等设计了一个供应商中立、协议灵活的分诊平台，可接收军用级可穿戴设备的实时生物特征数据流，应用AI增强的混合决策引擎，在战场"黄金一小时"内加速决策[Alnuaimi et al. 2025]。该平台整合了可穿戴传感器数据与AI分诊算法，旨在解决现有可穿戴设备和手动协议各自孤立运行、导致救治延迟和分诊评级不一致的问题[Alnuaimi et al. 2025]。
四、无人机与自主系统
1. AI驱动的战场伤员分诊无人机
Lee等介绍了ATRACT项目——开发AI驱动的无人机作为可信赖的机器人自主系统，帮助前线卫生兵在创伤后关键数分钟内对伤员进行优先排序[Lee et al. 2026]。该项目创建了专门的伦理框架，将抽象的AI伦理原则转化为具体的设计和保证指南，涵盖技术稳健性、伦理合规、安全性和法律合规性。研究强调，可信赖性是一种社会技术属性，源于治理、文档和监督，而非仅靠代码实现[Lee et al. 2026]。
2. 无人机蜂群技术
Raj和Kos全面综述了无人机蜂群系统的最新发展，指出AI和深度学习在增强蜂群决策能力和敏捷性方面的核心作用[Raj et al. 2026]。主要领域包括智能路径规划、任务分配、协调控制和安全性问题。随着AI控制的无人机蜂群的出现，反蜂群策略的重要性日益凸显。Wilson等指出，AI控制的无人机蜂群和替代载荷能力对平民和急救服务构成重大挑战，爆炸物装备无人机的伤害模式主要影响头颈、胸部和上肢[Wilson et al. 2026]。
3. 无人地面车辆的风险感知路径规划
Kim等提出了TVF-RPPO（轨迹值分解循环近端策略优化）框架，用于在部分可观测战场环境中进行风险感知路径规划[Kim et al. 2026]。该框架将值估计明确分解为时间效率和风险规避两个独立通道，使无人地面车辆能够在静态、动态和主动威胁场景中显著降低风险暴露，同时保持竞争性的任务完成性能。通过简单调整推理过程中的单一风险权重参数，车辆可立即在谨慎和激进机动之间切换，无需额外训练[Kim et al. 2026]。
4. 无人机蜂群网络入侵检测
Wang等开发了一种残差感知轻量级深度学习框架，用于无人机蜂群网络中的高保真入侵检测[Wang et al. 2026]。该模型在UAVIDS-2025公开数据集上实现了99.71%的准确率、0.9971的宏F1分数和0.9999的ROC-AUC，同时仅保持474,629个可训练参数（1.81 MB），每个样本推理时间约0.0023秒，为下一代无人机网络安全和智能网络防御系统提供了可部署的解决方案[Wang et al. 2026]。
五、军事医学教育与AI素养
1. AI能力嵌入军事医学教育
Cole等提出了一个纵向、基于能力的框架，将AI教育整合到本科医学教育的临床前、临床和临床后各阶段[Cole et al. 2026]。该框架基于2024年更新的本科医学教育基础能力标准，将AI相关子能力嵌入现有领域（患者照护、系统实践、人际沟通、专业素养等），而非将AI作为独立主题。通过阶梯式能力递进，学生可在临床前阶段建立基础知识，在临床轮转中应用AI工具进行文档和决策，并在准备进入研究生医学教育时完善伦理判断和作战准备能力[Cole et al. 2026]。
2. AI赋能战争中的决策不确定性
Cole探讨了AI赋能战争中军事医务人员面临的决策不确定性挑战[Cole et al. 2026]。研究指出，AI并未消除不确定性，而是将其重新分配至三个领域：临床-操作不确定性、算法不确定性和关系不确定性。这种重新分配带来了校准信任失调、多源输入认知负荷、透明度有限和问责模糊等风险。基础培训应使临床医生具备解读AI支持信息、整合数据源和在不确定性下保持判断力的能力[Cole et al. 2026]。
3. 军事医学AI就绪性
Cole等指出，AI正在通过自主系统、实时数据分析和算法决策改变战争特征，但当前军事医学教育和理论尚未适应这些发展[Cole et al. 2025]。研究识别了基础设施缺口、数据完整性挑战、网络安全威胁以及理论与教育对齐不足等系统性脆弱性，并提出了将AI场景嵌入高保真模拟训练、培训医务人员进行人-AI协作、以及将数据管理作为关键临床能力等具体建议[Cole et al. 2025]。
4. 军事AI聊天机器人NIPR-GPT的评估
Rosso等首次评估了军事专用AI聊天机器人NIPR-GPT在回答前交叉韧带损伤常见问题中的可靠性[Rosso et al. 2026]。这是关于军事特定AI工具在骨科领域应用的首篇文献，为评估军事AI系统在临床患者教育中的准确性和可靠性提供了初步证据[Rosso et al. 2026]。
六、AI辅助战场文档与通信
1. AI语音辅助战场伤情文档
Gelman等进行了一项可行性研究，比较AI辅助语音文档与传统手动文档在模拟战前创伤救治中的效果[Gelman et al. 2026]。8个团队完成了44次模拟（每组22次），AI输出成功率达91%。AI辅助文档的完整性与手动文档相当（73.9% vs 64.8%，P=0.31），但在易用性（P=0.024）和数据录入（P=0.015）方面显著优于手动方法。研究表明，AI语音文档在模拟战场环境中可行且可用，有望在不中断临床工作流程的情况下实现实时文档记录[Gelman et al. 2026]。
2. 实时战场伤亡数据生态系统
Remondelli等强调，大规模作战行动将挑战当前美军创伤系统，需要建立实时战斗伤亡护理数据生态系统[Remondelli et al. 2026]。联合创伤系统在伊拉克和阿富汗战争中证明了数据驱动医疗优化的有效性，降低了战场死亡率。然而，当前系统依赖延迟的手动文档流程，不足以应对未来作战的节奏和复杂性。AI驱动的实时数据采集和分析被认为是解决这一差距的关键[Remondelli et al. 2026]。
七、行为健康与自杀预防
1. 机器学习预测退伍军人枪械自杀
Houtsma等利用800,579名美国陆军退伍军人的数据，开发了枪械特异性机器学习模型来预测退伍军人从现役过渡后10年内的枪械自杀风险[Houtsma et al. 2026]。枪械特异性模型与方法无关模型的总体性能相当（AU-ROC=0.710 vs 0.708），但在公平性方面（性别和种族/民族），枪械特异性模型在所有阈值下均表现更优。研究为针对高风险过渡期服役人员的精准自杀预防干预提供了数据基础[Houtsma et al. 2026]。
2. AI行为健康应用
McConnon等综述了AI/ML在军事行为健康领域的应用前景，涵盖教育与培训、筛查与评估、诊断、治疗、预后和监测六大领域[McConnon et al. 2025]。Forster等评估了Behaivior恢复平台——一种将AI与智能手表集成的云端预测分析系统，用于预测和干预物质使用障碍相关的健康危机，初步结果显示其在退伍军人群体中具有支持康复的潜力[Forster et al. 2025]。
八、AI伦理与治理
1. AI伦理框架与可信赖自主系统
Lee等为ATRACT项目开发了专门的AI伦理框架，将高层次的伦理原则转化为可实施的技术稳健性、伦理合规、安全和法律合规要求[Lee et al. 2026]。研究强调，军事AI系统的可信赖性必须从设计之初就嵌入，并通过持续测试、审计和透明尽职调查证据进行验证[Lee et al. 2026]。
2. AI对军事道德决策的影响
Salatino等研究了AI的"道德行为"如何影响军事人员的道德决策和主体感[Salatino et al. 2025]。在一项让军校学员扮演战场无人机操作员的任务中，参与者需根据敌人存在和附带损害风险决定是否发起攻击。研究发现，AI的行为模式会显著影响人类操作员的道德决策和主体感，这对AI在军事决策中的整合具有重要伦理意义[Salatino et al. 2025]。
九、总结与展望
2025-2026年，美军在人工智能研究与应用领域取得了多项突破性进展。从首个FDA批准的战场AI出血风险评估设备APPRAISE-HRI，到自动化战场创伤系统ABTS在实战演习中的成功验证；从强化学习优化资源分配在模拟中实现两倍效率提升，到AI辅助超声使未经培训的卫生兵和卫生员的诊断准确率接近专家水平；从可穿戴CRM技术使士兵仅需20分钟培训即可在生命体征正常时识别休克顺序，到AI无人机蜂群在网络安全和自主决策方面的突破——这些进展共同勾勒出美军正加速将AI从实验室推向实战应用的宏大图景。
然而，挑战同样显著。AI在战场环境中的部署面临DDIL（降级、中断、间歇、低带宽）通信环境、数据质量、自动化偏差、透明战场中的生存能力以及伦理治理等多重约束。美军正通过将AI能力嵌入医学教育体系、建立伦理框架和治理机制，为AI赋能战争做好系统性准备。
关注 急诊医学 公众号
体验AI智能体辅助疑难创伤评估和处理决策
