目的:研究创伤患者输血前需求评估与输血后疗效评价辅助诊疗软件系统(红细胞输注数学模型),结合无创监测技术,研制便携式、智能化输血诊疗辅助装置,为创伤患者出血救治提供准确、快速的输血决策意见。意义:解决对急诊创伤患者应急救援时,由于检测辅助手段缺乏,医生无足够时间制定输血救治方案,且仅依靠描述性检查结果、仅凭个人经验制定的输血方案不精准,输血后又无法及时评估输血效果而影响患者救治成功率的输血难题。该输血辅助决策系统的应用,可精准制定个体化输血救治方案,有效降低创伤患者死亡率、提高创伤救治成功率。第一部分目的本研究基于人工智能技术,通过大数据分析可能影响红细胞输注量的多项参数,构建围术期红细胞需求量评估的数学模型。方法回顾性分析我院2011.1-2017.6期间手术患者130996例,利用患者的基本生理指标、实验室检查、手术信息等作为变量,采用梯度提升决策树(boostingtrees)算法来构建红细胞需求量的人工智能(artificial intelligence,AI)预测模型,利用该模型分别对上述患者“是否需要红细胞输注”和“红细胞输注需求量”进行预测并将AI模型预测结果和临床医生的预测结果进行对比。结果对是否输血预测,AI模型准确度显著高于医生(85.6%VS.45.4%),精确度高于医生(85%VS.77%)。对输血患者的需求量预测,AI模型准确度高于医生(RMSE 1.758 VS.1.97)。结论基于机器学习算法构建的围术期红细胞输注量预测模型比医生经验式预测更为准确,可为外科医师提供红细胞备血决策支持。第二部分目的本研究对以往创伤急救病例进行全面、系统评价,分析红细胞输注量与创伤类型、患者基本生命体征信息、实验室检查/检验指标等各项参数的相关性。根据大数据的挖掘、计算,构建创伤患者输血前需求评估与输血后疗效评价的多参数数学模型,可快速得出受血者输血的决策性意见并提供输血后的疗效评价参考。方法回顾性分析我院2015.4-2018.3期间在我院急诊科就诊的,匹配或模糊匹配诊断带“伤”的1667名患者。利用患者的生命体征、实验室检查、入科、出科情况、输血情况等作为变量,采用boostingtrees算法来构建红细胞需求量的智能预测模型,利用该模型分别对上述患者“是否需要红细胞输注”和“红细胞输注需求量”进行预测并将测试集的数据与真实输血量值进行对比。结果对是否输血预测,ROC曲线下面积0.80。对输血患者的需求量预测,MAE=1.60。结论基于boosting trees算法构建的创伤患者红细胞输注量预测模型为应急救援环境下协助医生迅速、准确做出输血决策提供技术支持。第三部分目的研发人体无创、便携式多波长光谱血红蛋白检测仪,并验证仪器的实用性和检测准确性。方法利用光电传感器采集的光电容积脉搏波信号,通过吸光度的变化分析人体生理参数-血红蛋白的变化,并对我院献血人员及病房患者采集信号共234例,对比常规实验室有创方法与本研究研发的无创仪器检测血红蛋白的准确性。结果常规实验室有创方法与本研究研发的无创仪器检测血红蛋白相关系数R为0.935,具有明显的相关性。均方根误差RMSE为0.8563。结论本研究研发的人体无创、便携式多波长光谱血红蛋白检测仪快捷无创检测血红蛋白的实用性好,与常规实验室有创方法比较,准确度高,一致性好。