حوادث با تلفات انبوه (Mass Casualty Incidents – MCIs)، مانند بلایای طبیعی، حوادث صنعتی بزرگ یا حملات تروریستی، یکی از بزرگ‌ترین چالش‌ها برای سیستم‌های خدمات پزشکی اورژانس در سراسر جهان هستند. در این شرایط بحرانی، تعداد مصدومان به سرعت از ظرفیت منابع و پرسنل پزشکی موجود فراتر می‌رود. در چنین هرج‌ومرجی، کلید به حداقل رساندن تلفات، ارزیابی سریع و دقیق مصدومان است؛ فرآیندی که در علم پزشکی با عنوان تریاژ (Triage) شناخته می‌شود. تریاژ به امدادگران امکان می‌دهد تا بیماران را بر اساس شدت جراحات و اولویت نیاز به درمان، دسته‌بندی کرده و منابع محدود را به مؤثرترین شکل ممکن تخصیص دهند. با این حال، انجام این فرآیند حیاتی تحت فشار شدید و در محیط‌های خطرناک، کاری بسیار دشوار و پراسترس است.

مقاله حاضر، سیستم نوآورانه‌ای به نام ARTEMIS را معرفی می‌کند که با هدف تحول در مدیریت این بحران‌ها طراحی شده است. ARTEMIS یک سیستم رباتیک مبتنی بر هوش مصنوعی است که برای کمک به اولین پاسخ‌دهندگان (First Responders) در صحنه حوادث طراحی شده است. این سیستم با بهره‌گیری از ربات‌های خودمختار و الگوریتم‌های پیشرفته هوش مصنوعی، فرآیند مکان‌یابی، ارزیابی اولیه و برچسب‌گذاری تریاژ مصدومان را خودکار می‌سازد. اهمیت این پژوهش در ترکیب هوشمندانه سه حوزه کلیدی نهفته است: رباتیک پیشرفته، پردازش زبان طبیعی و یادگیری عمیق. این فناوری نه‌تنها می‌تواند سرعت و دقت تریاژ را به شکل چشمگیری افزایش دهد، بلکه با اعزام ربات‌ها به مناطق پرخطر، ایمنی امدادگران انسانی را نیز تضمین می‌کند.

این مقاله حاصل تلاش گروهی از پژوهشگران برجسته در حوزه رباتیک و هوش مصنوعی است. نویسندگان این اثر، آقایان و خانم‌ها Revanth Krishna Senthilkumaran, Mridu Prashanth, Hrishikesh Viswanath, Sathvika Kotha, Kshitij Tiwari و Aniket Bera هستند. تخصص این تیم در تقاطع علوم کامپیوتر، مهندسی رباتیک و کاربردهای هوش مصنوعی در دنیای واقعی قرار دارد. تمرکز اصلی پژوهش آن‌ها بر توسعه سیستم‌های هوشمندی است که قادر به تعامل با انسان و محیط‌های پیچیده باشند. طبقه‌بندی این مقاله در دسته رباتیک (Robotics) نشان‌دهنده ماهیت سخت‌افزاری و نرم‌افزاری یکپارچه این پروژه است که در آن، یک پلتفرم رباتیک فیزیکی با مغز محاسباتی قدرتمند هوش مصنوعی ترکیب شده تا یک وظیفه حیاتی در دنیای پزشکی اورژانس را به انجام رساند.

مقاله، سیستم ARTEMIS را به عنوان راهکاری برای چالش طاقت‌فرسای مدیریت حوادث با تلفات انبوه معرفی می‌کند. هدف اصلی این سیستم، توانمندسازی تیم‌های اورژانس از طریق خودکارسازی مراحل اولیه ارزیابی مصدومان است. این سیستم از یک ربات چهارپای چابک (Quadruped) برای پیمایش در محیط‌های پیچیده و آسیب‌دیده استفاده می‌کند. این ربات پس از شناسایی یک انسان، با استفاده از فناوری‌های پردازش گفتار و زبان طبیعی، با او وارد گفتگو می‌شود تا اطلاعات پزشکی حیاتی را جمع‌آوری کند.

اطلاعات جمع‌آوری شده شامل علائم حیاتی گزارش‌شده توسط بیمار و شرح جراحات، به یک مدل یادگیری عمیق داده می‌شود. این مدل هوش مصنوعی، شدت جراحات فرد را تحلیل کرده و یک برچسب تریاژ (مثلاً بحرانی، فوری، تأخیری) به او اختصاص می‌دهد. تمامی این اطلاعات، شامل مکان دقیق مصدوم، وضعیت او و سطح اولویت درمانی، به صورت آنی (Real-time) به یک رابط کاربری گرافیکی (GUI) ارسال می‌شود. این رابط کاربری در اختیار فرمانده عملیات و امدادگران قرار می‌گیرد و به آن‌ها یک نقشه جامع و زنده از وضعیت صحنه حادثه ارائه می‌دهد. این دستاورد به تیم‌های پزشکی اجازه می‌دهد تا پیش از ورود به منطقه خطر، استراتژی درمانی خود را تدوین کرده و منابع را به بهینه‌ترین شکل ممکن مدیریت کنند.

معماری سیستم ARTEMIS بر پایه یکپارچه‌سازی چند فناوری پیشرفته بنا شده است. در ادامه، اجزای اصلی و نحوه عملکرد این سیستم تشریح می‌شود:

• پلتفرم رباتیک: ربات چهارپای Unitree Go1
  محققان از ربات چهارپای Unitree Go1 به عنوان پلتفرم فیزیکی استفاده کرده‌اند. انتخاب یک ربات چهارپا به دلیل قابلیت‌های حرکتی برتر آن در محیط‌های ناهموار و غیرساخت‌یافته (مانند آوار ساختمان) است. این ربات‌ها می‌توانند تعادل خود را حفظ کرده و از موانعی عبور کنند که ربات‌های چرخ‌دار قادر به عبور از آن‌ها نیستند. این ربات به دوربین‌ها و حسگرهای لازم برای شناسایی انسان‌ها (Victim Detection) و پیمایش خودکار در محیط مجهز شده است.
• هسته هوش مصنوعی: مغز متفکر سیستم
  قلب تپنده ARTEMIS، مدل‌های هوش مصنوعی آن است که وظیفه تعامل و ارزیابی را بر عهده دارند. این بخش شامل سه زیرسیستم کلیدی است:
  1. پردازش گفتار (Speech Processing): ربات پس از نزدیک شدن به مصدوم، از طریق بلندگو با او ارتباط برقرار می‌کند و سوالات استانداردی مانند “آیا صدای من را می‌شنوید؟”، “کجای بدنتان درد می‌کند؟” یا “آیا در نفس کشیدن مشکل دارید؟” را مطرح می‌کند. سپس با استفاده از میکروفون‌های حساس، پاسخ‌های صوتی مصدوم را ضبط می‌کند.
  2. پردازش زبان طبیعی (Natural Language Processing – NLP): پاسخ‌های صوتی ضبط‌شده به متن تبدیل شده و سپس توسط یک مدل NLP تحلیل می‌شوند. این مدل قادر است کلمات و عبارات کلیدی مرتبط با علائم پزشکی (مانند “خونریزی شدید”، “درد قفسه سینه”، “نمی‌توانم پایم را حرکت دهم”) را استخراج و طبقه‌بندی کند.
  3. طبقه‌بندی شدت جراحت با یادگیری عمیق (Deep Learning for Acuity Classification): اطلاعات استخراج‌شده توسط NLP به عنوان ورودی به یک شبکه عصبی عمیق داده می‌شود. این شبکه بر روی داده‌های پزشکی آموزش دیده است تا بتواند بر اساس علائم گزارش‌شده، یک سطح اولویت تریاژ را به مصدوم اختصاص دهد. این سطوح معمولاً با رنگ‌ها مشخص می‌شوند: سطح ۱ (قرمز): وضعیت بسیار بحرانی و نیازمند اقدام فوری؛ سطح ۲ (زرد): وضعیت جدی اما با امکان درمان تأخیری؛ و سطوح دیگر.
• رابط کاربری گرافیکی (GUI) برای امدادگران
  تمام داده‌های جمع‌آوری‌شده و تحلیل‌شده توسط ربات، به صورت بی‌سیم و آنی به یک مرکز فرماندهی ارسال می‌شود. در آنجا، یک رابط کاربری گرافیکی بر روی تبلت یا لپ‌تاپ، نقشه محل حادثه را به همراه موقعیت هر مصدوم و برچسب تریاژ اختصاص‌یافته به او نمایش می‌دهد. با کلیک بر روی هر مصدوم، امدادگر می‌تواند خلاصه‌ای از اطلاعات پزشکی او را مشاهده کند.
• اعتبارسنجی و آزمایش
  برای ارزیابی عملکرد سیستم، محققان دو نوع آزمایش انجام دادند: شبیه‌سازی‌های نرم‌افزاری برای تست الگوریتم تریاژ در مقیاس بزرگ با هزاران سناریوی مختلف، و آزمایش‌های میدانی در یک محیط کنترل‌شده در فضای باز برای ارزیابی عملکرد ربات در دنیای واقعی.

نتایج آزمایش‌های انجام‌شده بر روی سیستم ARTEMIS بسیار امیدوارکننده و قابل توجه بودند. این یافته‌ها نشان‌دهنده پتانسیل بالای این فناوری در بهبود عملیات امداد و نجات است.

• دقت کلی طبقه‌بندی: سیستم به طور متوسط به دقت بیش از ۷۴ درصد در طبقه‌بندی صحیح سطح تریاژ مصدومان دست یافت. این رقم با توجه به پیچیدگی تعامل با انسان در شرایط بحرانی و تکیه بر گزارش‌های شفاهی، یک دستاورد قابل قبول محسوب می‌شود.
• دقت استثنایی برای موارد بحرانی: مهم‌ترین و چشمگیرترین یافته این بود که دقت سیستم در شناسایی مصدومان با بالاترین سطح وخامت، یعنی سطح ۱ (Acuity Level 1)، به ۹۹ درصد رسید. این نتیجه فوق‌العاده حیاتی است، زیرا هدف اصلی تریاژ، شناسایی سریع و بدون خطای بیمارانی است که در معرض خطر فوری مرگ قرار دارند. عملکرد تقریبا بی‌نقص ARTEMIS در این زمینه، بزرگ‌ترین نقطه قوت آن است.
• برتری نسبت به سیستم‌های مشابه: محققان اعلام کردند که عملکرد ARTEMIS از سیستم‌های پیشرفته موجود که تنها بر پایه یادگیری عمیق برای برچسب‌گذاری تریاژ عمل می‌کنند، بهتر بوده است. این برتری احتمالاً ناشی از رویکرد یکپارچه ARTEMIS است که تعامل رباتیک، پردازش زبان و طبقه‌بندی هوشمند را با هم ترکیب می‌کند.

پیاده‌سازی موفقیت‌آمیز سیستم ARTEMIS می‌تواند دستاوردهای عملی متعددی در حوزه پزشکی اورژانس و مدیریت بحران به همراه داشته باشد:

• افزایش سرعت عملیات نجات: یک تیم از ربات‌های ARTEMIS می‌تواند یک منطقه وسیع را بسیار سریع‌تر از تیم‌های انسانی جستجو و ارزیابی کند. این سرعت عمل در “ساعت طلایی” پس از حادثه، می‌تواند جان انسان‌های بسیاری را نجات دهد.
• کاهش بار شناختی و استرس امدادگران: امدادگران با در دست داشتن اطلاعات اولیه دقیق، می‌توانند با آمادگی ذهنی و استراتژی مشخص وارد عمل شوند. این امر به آن‌ها اجازه می‌دهد تا به جای صرف زمان برای ارزیابی‌های اولیه، مستقیماً بر روی ارائه مراقبت‌های پزشکی حیاتی تمرکز کنند.
• تضمین ایمنی تیم‌های امداد: اعزام ربات‌ها به مناطق ناپایدار، آلوده یا خطرناک، ریسک جانی برای امدادگران انسانی را به شدت کاهش می‌دهد. ربات می‌تواند اولین ارزیابی‌ها را در محیط‌های خطرناک انجام دهد.
• بهبود مدیریت منابع: رابط کاربری گرافیکی سیستم، یک دید کلی و استراتژیک از وضعیت تمامی مصدومان در اختیار فرمانده عملیات قرار می‌دهد. این “تصویر بزرگ” به تصمیم‌گیری بهتر برای تخصیص آمبولانس‌ها، تیم‌های پزشکی و تجهیزات کمک شایانی می‌کند.
• پیشگامی در تعامل انسان و ربات: این پروژه نمونه‌ای موفق از همکاری انسان و ربات (Human-Robot Interaction) در یک کاربرد حیاتی است و راه را برای توسعه سیستم‌های مشابه در حوزه‌های دیگر هموار می‌سازد.

مقاله معرفی‌کننده سیستم ARTEMIS یک گام مهم و رو به جلو در زمینه استفاده از رباتیک و هوش مصنوعی برای حل یکی از پیچیده‌ترین مشکلات حوزه پزشکی اورژانس است. این پژوهش با موفقیت نشان می‌دهد که چگونه می‌توان با ترکیب ربات‌های خودمختار، پردازش زبان طبیعی و یادگیری عمیق، یک ابزار قدرتمند برای کمک به امدادگران در شرایط بحرانی خلق کرد. نتایج به دست آمده، به‌ویژه دقت ۹۹ درصدی در شناسایی بیماران بسیار بدحال، پتانسیل عظیم این فناوری برای نجات جان انسان‌ها را به اثبات می‌رساند.

با این حال، ARTEMIS هنوز یک طرح اثبات مفهوم (Proof-of-Concept) است و برای استفاده گسترده در دنیای واقعی نیازمند توسعه بیشتر است. چالش‌های آینده شامل بهبود عملکرد سیستم در محیط‌های بسیار پر سر و صدا و آشفته، افزودن حسگرهای بیشتر (مانند دوربین‌های حرارتی یا سنسورهای بیومتریک اولیه) به ربات و انجام آزمایش‌های میدانی در مقیاس بزرگ و در سناریوهای واقعی‌تر است. با وجود این، ARTEMIS چشم‌انداز آینده‌ای را ترسیم می‌کند که در آن، ربات‌ها به عنوان همکاران قابل اعتماد در کنار انسان‌ها، برای ساختن دنیایی امن‌تر و نجات جان انسان‌ها تلاش می‌کنند.