参考文献：

王惠珍, 张捷, 俞怡, 赵琳, 李葵南, 马慧颖, 祁肖静, 王静, 王雨桐, 林懿伦, 许力, 申乐, 李汉忠, 王飞跃. 平行手术室:围术期护理流程与智慧手术平台管理的新模式. 模式识别与人工智能, 2023,36(10): 867-876

WANG Huizhen, ZHANG Jie, YU Yi, ZHAO Lin, LI Kuinan, MA Huiying, QI Xiaojing, WANG Jing, WANG Yutong, LIN Yilun, XU Li, SHEN Le, LI Hanzhong, WANG Fei-Yue. Parallel Operating Rooms: A New Model of Perioperative Nursing Process and Smart Surgical Platform Management. PATTERN RECOGNITION AND ARTIFICIAL INTELLIGENCE, 2023,36(10): 867-876.

平行手术室:围术期护理流程与智慧手术平台管理的新模式

王惠珍, 张捷, 俞怡, 赵琳, 李葵南, 马慧颖, 祁肖静, 王静, 王雨桐, 林懿伦, 

许力, 申乐, 李汉忠, 王飞跃

摘要: 手术室伴随医疗技术进步而面临不断增长的复杂性挑战,特别是在教学培训、护理配合、科研创新和管理领域.文中基于平行医疗理论,提出平行手术室的概念,旨在利用人工智能和全场景数据优化围术期护理流程,提升手术平台管理效率.平行手术室构建实际系统与虚拟系统的互动,利用在线学习、离线计算和虚实互动,实现手术流程的精准管理和控制.文中详细讨论平行手术室在临床护理与管理、护理教学与科研中的应用,并对其在未来医疗领域的潜力进行展望.提出的一体化解决方案不仅缓解传统手术室面临的问题,也为智慧医疗的发展开辟新的路径,提升手术室的安全和运营效率.

关键词: 人工智能; 平行理论; 平行手术室; 围术期护理

Parallel Operating Rooms: A New Model of Perioperative Nursing Process and Smart Surgical Platform Management

WANG Huizhen, ZHANG Jie, YU Yi, ZHAO Lin, LI Kuinan, MA Huiying, QI Xiaojing, WANG Jing, WANG Yutong, LIN Yilun, XU Li1, SHEN Le, LI Hanzhong, WANG Fei-Yue

Abstract: With the advancement of medical technology, the operating room is confronted with increasing complexity challenges, especially in the areas of teaching and training, nursing coordination, scientific research innovation and management. In this paper, the concept of a parallel operating room is proposed based on parallel healthcare theory to optimize perioperative nursing processes by artificial intelligence and comprehensive data analysis, thereby improving surgical platform management efficiency. Real systems and virtual systems are integrated in the parallel operating room through online learning, offline computing, and virtual-physical interaction to achieve precise management and control of surgical procedures. The application of parallel operating rooms in clinical nursing and management as well as nursing education and research is discussed in detail, and the potential of parallel operating rooms in future medical fields is prospected. The proposed integrated solution alleviates the problems faced by traditional operating rooms and lays a foundation for the development of smart healthcare, while enhancing safety and operational efficiency in the operating room.

Key words: Artificial Intelligence; Parallel Theory; Parallel Operating Rooms; Perioperative Period Nursing

手术室是执行疾病诊断、手术治疗及抢救患者的重要平台.研究表明, 在整个围术期(包括术前、术中、术后)[1]的护理质量均直接影响患者的生命安全和治疗效果, 而手术室作为医院中至关重要的平台科室, 在此过程中承担着重要责任[2].为了高效保障手术配合及围术期的护理, 手术室汇聚大量精密设备和众多专业人员, 如外科医生、麻醉医生、护士、技术人员、药剂师及医辅人员等[3], 如何确保精确协调与高效管理成为关键.与此同时, 伴随医疗行业的发展, 越来越多医院引入智能技术以提高精益化管理效率, 使手术室面临的复杂性日益增加, 带来一系列问题与挑战[4].

首先, 在教学培训方面, 新兴医疗技术对医护人员的操作技能、风险识别能力提出更高的要求, 现有的讲授法、示范法等传统教学模式难以满足需求[5, 6].其次, 在护理与科研创新领域, 因人力资源短缺, 手术室护士难以充分投入科研工作, 导致临床护理科研项目延误或流产.此外, 手术的专科性、个性化、动态性等属性使手术室管理面临十分复杂的挑战, 如急危重症及罕见病的手术, 不可预见因素较多, 人力与物资的优化配置成为难题[7].

随着人工智能(Artificial Intelligent, AI)技术和理念开始应用于医疗护理和管理领域[8], 学者们提出智慧手术室概念, 探索针对医护培训、科研创新、流程优化的解决方案, 部分医院也开始智慧化、数字化手术室的建设以应对新的机遇及挑战.例如, 医护培训中利用虚拟现实(Virtual Reality, VR)技术对手术部位暴露程度、压迫程度等进行评估, 便于护理人员提前规划手术体位, 可从一定程度上提高手术配合质量, 保护患者安全.通过护理操作培训提高手术室护士的工作胜任力或通过智能化排班优化人员调配, 加强手术室人员管理.

然而, 目前的智慧、智能手术室解决方案多聚焦于单一问题, 尚未整合教学、护理、科研创新及管理的各项需求, 进行一体化流程的考虑与设计.虽然各措施表现出一定的积极作用, 但彼此之间相互独立、协调性较差, 使应用效果大打折扣, 在耗费大量的人力、物力、财力的前提下, 仍未能系统高效地解决手术室全流程场景中存在的联动问题.

王飞跃提出的平行理论方法已在平行医疗、平行交通、平行工业、平行管理等领域应用并取得成功验证[9, 10, 11, 12, 13, 14, 15, 16, 17, 18].本文基于平行医疗系统方法[19, 20, 21, 22, 23, 24], 构建实际与虚拟医疗的共同系统, 实现对实际医疗系统的描述、预测和引导, 为解决手术室现存问题提供一个新的视角.

平行医疗系统是由自然的现实医疗系统和对应的一个或多个虚拟或理想的人工系统组成的共同系统, 通过在线学习、离线计算、虚实互动, 使人工系统成为可试验的“ 社会实验室” , 以计算实验的方式实现对医护人员的个性化培训、对医学决策和行为的实验与评估以及对实际医疗过程的管控, 使医疗实践变得更科学、系统和精准, 并以可计算、可实验、可验证的方式不断改善和提高医疗水平.这一概念在平行麻醉[25]、平行手术[26]、平行医学影像[27]、平行皮肤[28]、平行眼科[29]、平行肠胃[30]、平行痛风[31]等多个医疗领域开展了应用和实践, 显示出其广泛的适用性和实用价值.

本文基于平行医疗理论, 提出平行手术室概念, 旨在通过实际手术室系统与虚拟系统的互动, 在以往智能化平台的基础上, 实现教学、护理、科研创新及管理资源一体化, 优化手术室核心资源配置, 整体提高围术期护理的全流程控制效率.首先, 在教学与培训方面, 平行手术室构建虚拟手术室环境, 实现描述智能, 提供逼真的交互式学习体验, 大幅提升医护人员对新手术技术的适应性和操作精准度.其次, 在护理与科研创新方面, 平行手术室的预测智能通过实时的数据分析和模拟, 为护理人员提供精确的风险评估和个性化的护理方案, 不仅提高护理质量, 也为科研提供丰富的数据支持, 加速科研创新.此外, 在管理与控制层面, 平行手术室引导智能优化手术排程和资源配置[32], 提高手术室安全与效率.这种集成AI技术的一体化解决方案, 不仅突破现有限制, 也大幅提升手术流程的安全性和效率性.

平行手术室集全场景、全流程、全方位、全视角的数据与人工智能技术于一体, 构建一个高效、安全的智能化手术平台.这种一体化的平行体系不仅能缓解传统手术室的现存问题, 同时也从一体化的角度为现代医疗提供一个全新的解决路径.

       1 平行手术室护理的内涵和构成

平行手术室由一个真实手术系统和一个或多个与之对应的人工手术系统共同组成, 能描述、预测和引导围术期的护理全流程.平行手术室通过收集数据、在线学习、离线计算、虚实互动以建模和描述真实的手术系统; 通过计算实验对实际系统中的任务进行实验和评估、预测和验证; 通过平行执行对实际系统进行管理和控制.平行手术室的基本架构如图1所示.

首先, 基于实际手术室中的组成构建人工手术系统, 创建包含虚拟人物(虚拟医生、虚拟护士、虚拟患者等)、虚拟设备用品和虚拟知识体系的人工系统.系统能够对参与者的静态特征、动态特征进行详细描述和建模, 实现“ 描述智能” .

其次, 在人工手术系统中添加各类疾病场景、手术策略以及管理信息等, 允许进行广泛的计算实验, 科学地评估护理方案和围术期管理的效率.这种方法不仅能探索和测试可能的诊断和护理、管理方案, 还能帮助医护人员和管理者发现最准确的诊断治疗和最高效的手术室管理流程, 实现“ 预测智能” .

最后, 当人工智能系统提出推荐方案后, 医护人员可从中选择最适合的选项, 并将这些方案在人工和真实的手术系统中平行执行, 实现“ 引导智能” .

在平行手术室中, 虚拟与现实系统的平行执行不仅包括虚拟医护团队与实际医护团队的协作, 还涉及虚拟患者与真实患者之间的动态交互, 这些互动是实现最佳医疗决策的关键, 大幅促进最佳医疗决策的形成.

在医护侧, 平行系统通过确保护理诊断的精确性和手术治疗计划的有效性, 提升护理服务质量.当虚拟与现实医护团队意见不一致时, 虚拟系统将提供决策辅助, 帮助医护团队形成最佳共识.

在患者侧, 以患者为中心的平行系统覆盖诊疗全过程, 其中虚拟患者模型能指导真实患者沿着最优护理路径前进, 而真实患者的实时反馈又是不断优化护理措施的关键.若真实患者的反应与预期出现显著偏差, 虚拟患者模型将侦测到这些变化并触发调整, 促使虚拟医护重新评估并调整护理策略.

这样的平行动态引导机制不仅为患者提供个性化的护理方案, 也增强护理效果反馈的系统性和时效性.

平行手术室的构成包括医学数据与领域知识、描述智能、预测智能、引导智能四个模块.如图2所示, 平行手术室首先收集目前手术室涉及的基本外科、胸外科、妇产科、泌尿外科等专科知识与多源多模态的医学数据.再利用关系嵌入、知识嵌入与分类聚类等方法处理领域知识, 并将数据预处理后, 结合手术场景和专家经验, 完成场景工程构建, 形成描述智能模块.然后基于场景工程和基础模型进行计算实验, 实现预测智能模块.最后, 在操作指导、风险预警、教学训练、科研挖掘、人员与物资管理等方向实现引导智能.

2 平行手术室中的护理流程优化

手术室护理专业的工作环境和特殊的工作性质, 要求护士在围术期护理中做出高水平的精准诊断和个性化护理计划方案, 同时适时评估措施并动态调整护理方案, 这对护士的专业知识、临床经验和应变能力等诸多方面提出高水平的要求.然而, 医护人员在工作中面临资源限制和工作重复性挑战的同时, 在决策上也常常力不从心[33].平行手术室系统通过计算实验等方法, 实现对手术全程的智能监控和辅助, 不仅可从术前、术中、术后协助护士优化护理方案, 更可实现对实时状态的充分感知、对流程的准确预测和执行过程中的执行引导.其范围涵盖术前、术中、术后全周期的手术室护理流程, 旨在优化患者围术期全过程, 提升护理质量.

2.1 术前手术时间预测

手术时间(Operating Time, OT)定义为患者入室开始到患者离开手术间的全程时间, 是影响手术室运营管理的关键因素.平行手术室中准确的OT预测可以优化手术流程规划, 提高手术室管理效率[34].Zhao等[35]采用机器学习技术, 优化OT预估, 分析28个与患者条件相关的变量(包括年龄、体重、疾病类型及其具体情况等)、手术类型以及外科医生的专长等, 对各类手术进行时间预测.结果表明, 此模型将OT预测的准确性提升16.8%, 大幅提高手术安排的效率和手术室资源的使用效益.Hung等[36]使用机器学习算法, 分析机器人手术中的25种不同特征, 这些特征包括器械的运动学参数和手术过程中的系统事件, 用于评估对手术结果的预测准确性.此模型预测患者住院时间的准确率高达87.2%, 而且手术时间和特定手术后管理, 如Foley导管留置时间的预测与实际结果显著相关.

2.2 术中手术解剖结构可视化

平行手术室可通过增强现实(Augmented Reality, AR)技术实现术中患者解剖结构可视化, 帮助护理人员根据患者特征选择有利于血液循环和神经保护的体位摆放姿势[37].当AR精确定位在患者解剖结构上时, 可实现被遮挡或通常不会暴露的解剖结构的可视化, 缩短医护寻找病灶的时间.Lee等[38]研发的混合现实系统, 跟踪无标记的手术工具, 可为医护人员提供准确的进入点定位.有证据表明, 虚实交互可显著降低手术错误率, 改善决策过程[39].相比传统临床指南, 机器学习在准确性上具有显著优势.例如:在术中肺癌分期的准确识别上, 机器学习的准确率高达93%, 而临床方法的准确率为72%[40].通过同时处理多种数据源和对临床经验的识别反馈, 机器学习算法显示出比经典统计方法更高的预测准确性[41].

2.3 术后风险预测

在术后, 系统可将手术的详细信息, 包括患者、医生、麻醉和护理相关数据, 按护士个人或专科团队的工作目标进行汇总和分析, 补充个人和专科团队的护理工作手册, 并将相关数据结果计入系统内, 不断累积形成特征性的证据资料, 以此不断完善术前预测模型, 确保护理决策支持的科学性和准确性, 真正形成动态功能闭环.此外, 平行手术室可根据术前风险评估结果和术中指标的数据预测患者术后出血、感染、疼痛、低氧血症、败血症和急性低血压等术后并发症的发生率和30天再入院风险[42, 43, 44, 45, 46], 从而定制患者的术后恢复管理及护理方案, 使ICU和病房资源得到更有效的分配和使用.

3 平行手术室中的管理新模式

平行手术室能够通过智慧化的引导和优化, 显著提升手术室的运营效率和手术护理质量, 为手术室管理带来新模式.平行手术室的管理模式涵盖手术排程、人力资源调度、物资设备的调配与优化, 旨在实现护理成效最大化、患者安全最大化、资源利用最大化.

3.1 手术排程的智慧引导

手术排程是指按照一定的排程规则, 合理安排固定周期内的手术计划, 计划涉及手术时间、地点及主刀医生、麻醉医生、手术护士、手术设备等相关因素.研究表明, 手术室资源能得到有效利用的最直接有效的方式就是实现合理有效的手术排程, 但其复杂性不言而喻, 诸多不可控因素导致手术排程的动态变化较多, 处置不当就可能导致手术衔接的低效和时间空间等资源的浪费.

平行手术室通过智能体对手术室内外各区域, 如等候区、手术间、恢复室、接送患者等, 各环节的工作流实施闭环监控, 通过对数据的整合计算, 完成工作人员的准入放行, 智能引导各类人员及时就位, 确保各环节和流程间衔接的安全和效率.此外, 系统通过对信息系统中手术排程及各个手术间实际手术进程的实时监控和比对, 掌握手术间实际使用情况, 推送并预测手术排程变化, 主动提供调整方案, 协助管理形成最佳决策.例如:智能体获取并判断后, 将恢复室患者“ 已恢复” 状态, 主动推送给主管医生, 提示患者实时状态, 同时生成接送任务推送医辅人员, 并于患者离开手术室时, 推送患者家属消息, 提高流程效率, 有效节约时间和空间成本.

3.2 人力资源的调度与优化

人力资源短缺、分配不当和人才储备一直都是手术室护理管理中最关心的问题, 如配合专业化较高的手术, 要求专科护士相对固定, 而倒班、轮休不可避免地造成人员变动, 同时值班护士的安排也要充分考虑其能否胜任急诊手术种类的多样性, 即“ 专而不全” 和“ 全而不专” 的矛盾, 导致排班困难等人力短缺的现象发生.

在平行手术室中, 人力调度智能体具备自主性、交互性以及自适应学习和进化的能力, 能实时接收手术信息并进行动态人力资源调度与优化.智能体全天候处理护士上传的各类休假、换班等申请, 即刻按规则执行班次调整安排; 根据提交的手术预约申请, 代替人工完成手术间和台次安排, 并根据智能教学管理平台的护士资质数据, 进行护理人员安排, 确保各专科手术配合质量以及急诊手术的应接能力; 手术开始后, 根据手术进程的动态变化, 自动规划各班次护理人员的交接安排.

基于对手术和手术排程变化的监控, 平行手术室可及时、主动形成调度指令并调整调度方案, 如获知患者生命体征危急值数据, 智能体自动触发呼救系统, 协调相应人员迅速响应, 携带抢救药品、物资和设备及时到场, 为患者的抢救争取时间.

3.3 物资设备的调配与优化

在设备资源有限而手术需求多样化的情况下, 设备的高效调配显得尤为关键.尽管信息化手段已实现管理的可视化, 实际操作中仍面临若干问题, 如有限的仪器设备的配置和手术数量的增加, 加之医生个人偏好和手术需求的差异, 使设备的最大化使用变得困难.图3(a)为复合手术室的真实场景, 可见其仪器设备的复杂度.利用互联网技术, 护理人员可将患者术前检查、术中实时影像及各类设备使用状态、手术进程实时监测的数据上传云端, 为平行手术室建立智能数据库[47], 如(b)所示.完成手术排程后, 相应术间所需物资会上传至云端, 包括相应手术信息如手术名称和主刀医生等需求.智能体依据当日手术安排对各类物资和手术设备进行筛选和排序, 生成分配计划和任务单据, 智能库房根据任务单据完成术间物资配置, 并指挥机器人完成派送.数量有限的设备也将由智能体根据实时的排程, 统筹协调机器人按指令转移到相应的术间, 保证手术顺利高效的进行, 将手术室护士从沟通、寻找设备的消耗中解放出来, 把更多的时间留给手术患者.

4 平行手术室在护理教学与科学研究中的应用

平行手术室能助力护理教学、科学研究的协同发展, 有效提高手术室护士的胜任力, 全面提升手术室护理质量, 为手术室平台的人才储备、科学创新、智慧运营等各方面提供全流程支持.

4.1 构建智能教学管理平台

手术室护理教学除了涉及手术解剖、生理、病理等众多基础知识, 还有手术相关无菌技术、隔离技术等操作技能的训练, 以及通过亲历丰富的实际手术案例沉淀并提升临床决策和解决实际问题的能力.传统的护理分层培训及考核模式耗费大量人力、物力、财力, 而平行手术室能够借助数据库、知识库、生成式人工智能、虚拟现实等手段, 快速实现对手术室状态和手术过程的重构, 为护理教学和培训提供手术过程描述的支撑.同时, 系统可基于不同教学对象、不同阶段的教学目标, 建立定制化的培训方案, 重构手术环节, 智能引导培训对象, 按要求分步骤完成各阶段模拟培训课程, 在安全环境下获得丰富的实操经验; 提供实时引导和评估反馈, 帮助护士发现自身不足, 并提供对应的强化练习.如图4所示, 医护人员在手术室中采用假人模拟术中生命体征的变化, 模拟手术场景进行团队协作教学.

基于以科室为中心的知识库, 平行手术室可构建数字化的智能教学管理平台, 护理人员可随时通过移动设备登录个人界面, 完成阶段性的公共课程、个人培训项目和在线模拟训练.采用深度学习、增强学习等技术处理医学图像、文本等多模态数据, 建立包括视觉、触觉和听觉等高度还原的虚拟3D模型.通过设定不同的病症情况, 医护人员能在更真实的训练场景中获得更高效的技能提升.平行手术室在教学评估方面, 系统自动记录考勤、成绩和学分, 大幅减轻管理的工作量.智能管理平台还能根据评估结果, 自动生成该模块的补充学习材料, 提供个性化的复训建议, 并引导完成规定的考核直至达成教学目标要求.

另一方面智能管理平台不仅可为管理者提供可视化教学进度和状态, 还可基于考核的教学反馈, 智能生成教学方案的改进建议, 不断优化教学模式并提高教学效果.此外, 智能教学管理平台根据考核结果, 重新标记护士岗位胜任力水平, 为手术平台管理智能体的人力资源调度与优化提供更动态精准的决策支持.

4.2 构建智能科研管理平台

我国大型三甲医院平均每年的手术量可达数万例, 平行手术室不仅具有联动外科医生、麻醉医生和手术室护士的优势, 而且可以打破科室壁垒, 实现跨学科综合诊疗和决策.平行手术室能处理和记录大量数据, 通过信息采集、字段清洗等手段进行科研数据库的构建, 为护理科研质量的提升提供充足的便利, 实现庞大的数据资源云端交流, 促进信息的集成与广泛共享.这些大数据集通过计算和验证, 自动完成严谨的循证推演, 最终形成高证据级别的临床护理决策指引.平行手术室还能创建统一的数据库和护理情报检索系统, 实现护理信息资源共享, 促进信息服务与数据交互.

平行手术室智能科研管理平台可通过分析海量手术数据, 挖掘潜在的关联因素和临床规律, 支持护理建模方法的创新.通过计算实验评估不同干预措施的效果, 自动分析患者数据, 形成生成式AI.对智能教学管理平台和手术平台管理智能体等数据库的学习, 不断提升对数据间逻辑关系的认知和分析能力, 最终实现与护理科研人员探讨研究方向、立题、研究方法和可行性等, 并提供各种数据分析工具和辅助验证等功能, 为科研持续提供预测模型支持.同时, 科研平台的计算实验功能提供护理科研成果或预测模型的预演, 能降低科研成本, 提高科研效率.例如:在临床试验前, 可先在平行手术室的虚拟系统中进行实验与验证, 避免进行无法通过虚拟系统的无效临床实验.同时, 平行手术室能促进循证医学基础上的专家共识验证, 这对于护理研究成果向临床实践的转化具有显著指导意义[48].

5 结束语

本文详细阐述平行手术室的概念及其组成, 深入讨论其在手术室护理、管理、教学、科研等多个领域中的创新应用.通过在多个场景下进行计算实验, 平行手术室能成功应对复杂的手术环境变化, 优化资源配置和调度, 应对以往在资源约束和不确定性下的挑战.然而, 也必须认识到平行手术室在技术整合、信息共享等方面的挑战, 并警觉其潜在的伦理风险.

为了避免平行手术室带来的伦理问题, 首先, 应确保患者的知情同意得到充分尊重, 透明沟通可能的风险.其次, 需要建立严格的数据共享制度, 保护患者隐私和医疗数据.再者, 考虑到医护人员在平行手术室中的流动可能对手术连贯性产生影响, 必须合理规划护理人员的工作量, 维护其工作质量和生活质量.在整体运作中, 平行手术室必须始终坚持以患者安全为中心的原则, 建立完善的规章制度, 促进患者与手术团队成员之间的有效沟通.

今后应进一步明确平行手术室的构建和运作方法, 建立全面的评估体系, 探索更多应用场景, 科学有效地节约人力、物力、时间和空间的成本, 完善标准化流程.平行手术室的目标是将平行理论的优势扩展至每位患者和医护人员, 最终造福全人类.平行手术室作为一个充满潜力的新兴领域, 未来的发展不仅需要全球医学界的深度合作, 还需要跨学科的研究和创新, 实现其在临床实践中的全面应用, 推动人类健康事业不断向前发展.

参考文献

[1]   ARNAL-VELASCO D, PAZ-MARTÍN D. Extension of Patient Safety Initiatives to Perioperative Care. Current Opinion in Anesthesiology, 2022, 35(6): 717-722.

[2]   JIN H, LIU J W. Application of the Hybrid Operating Room in Surgery: A Systematic Review. Journal of Investigative Surgery, 2022, 35(2): 378-389.

[3]   NIU L, LI H Y, TANG W, et al. Evolving Safety Practices in the Setting of Modern Complex Operating Room: Role of Nurses. Journal of Biological Regulators and Homeostatic Agents, 2017, 31(3): 659-665.

[4]   ESPINOZA P, LETELIER L M G, LEPPE M D C, et al. The Heal-thcare Team's Perception of the Role of the Perioperative Nurse: A Qualitative Study. Journal of Perioperative Practice, 2016, 26(9): 189-195.

[5]   HAMPTON B S, CRAIG L B, ABBOTT J F, et al. To the Point: Teaching the Obstetrics and Gynecology Medical Student in the Operating Room. American Journal of Obstetrics and Gynecology, 2015, 213(4): 464-468.

[6]   MORSE C R, MATHISEN D J. Educational Challenges of the Operating Room. Thoracic Surgery Clinics, 2019, 29(3): 269-277.

[7]   SAIDI T, DOUGLAS T S. Critical Elements in the Design, Development and Use of Medical Devices. A Systemic Perspective of Orthopedic Devices Land scape in Low- and Middle-Income Countries. Health Policy and Technology, 2022, 11(1). DOI:10.1016/j.hlpt.2021.100593.

[8]   PORTO C S T, CATAL E. A Comparative Study of the Opinions, Experiences and Individual Innovativeness Characteristics of Operating Room Nurses on Robotic Surgery. Journal of Advanced Nur-sing, 2021, 77(12): 4755-4767.

[9]   王飞跃. 平行系统方法与复杂系统的管理和控制. 控制与决策, 2004, 19(5): 485-489, 514.

(WANG F Y. Parallel System Methods for Management and Control of Complex Systems. Control and Decision, 2004, 19(5): 485-489, 514. )

[10] WANG F Y. Parallel Intelligence in Metaverses: Welcome to Hanoi! IEEE Intelligent Systems, 2022, 37(1): 16-20.

[11] WANG F Y, QIN R, WANG X, et al. MetaSocieties in MetaVerse: MetaEconomics and MetaManagement for MetaEnterprises and MetaCities. IEEE Transactions on Computational Social Systems, 2022, 9(1) : 2-7.

[12] WANG F Y. New Control Paradigm for Industry 5. 0: From Big Models to Foundation Control and Management. IEEE/CAA Journal of Automatica Sinica, 2023, 10(8): 1643-1646.

[13] WANG X X, YANG J, WANG Y T, et al. Steps toward Industry 5. 0: Building “6S” Parallel Industries with Cyber-Physical-Social Intelligence. IEEE/CAA Journal of Automatica Sinica, 2023, 10(8): 1692-1703.

[14] WANG F Y, ZHANG J J. Transportation 5. 0 in CPSS: Towards ACP-Based Society-Centered Intelligent Transportation // Proc of the IEEE 20th International Conference on Intelligent Transportation Systems. Washington, USA: IEEE, 2018: 762-767.

[15] 王飞跃. 平行管理: 复杂性管理智能的生态科技与智慧管理之DAO. 自动化学报, 2022, 48(11): 2655-2669.

(WANG F Y. Parallel Management: The DAO to Smart Ecological Technology for Complexity Management Intelligence. Acta Automatica Sinica, 2022, 48(11): 2655-2669. )

[16] 鲁越, 郭超, 潘晴, 等. 平行博物馆系统: 框架、平台、方法及应用. 模式识别与人工智能, 2023, 36(7): 575-589.

(LU Y, GUO C, PAN Q, et al. Parallel Museum Systems: Frame-work, Platform, Methods and Applications. Pattern Recognition and Artificial Intelligence, 2023, 36(7): 575-589. )

[17] WANG Y T, WANG X, WANG X X, et al. The ChatGPT After: Building Knowledge Factories for Knowledge Workers with Know-ledge Automation. IEEE/CAA Journal of Automatica Sinica, 2023, 10(11): 2041-2044.

[18] WANG F Y, WONG P K. Intelligent Systems and Technology for Integrative and Predictive Medicine: An ACP Approach. ACM Transactions on Intelligent Systems and Technology, 2013, 4. DOI:10.1145/2438653.2438667.

[19] WANG F Y. Parallel Healthcare: Robotic Medical and Health Pro-cess Automation for Secured and Smart Social Healthcares. IEEE Transactions on Computational Social Systems, 2020, 7(3): 581-586.

[20] 王飞跃. 平行医生与平行医院: ChatGPT与通用人工智能技术对未来医疗的冲击与展望. 协和医学杂志, 2023, 14(4): 673-679.

(WANG F Y. Parallel Doctors and Parallel Hospitals: Impact and Perspective of ChatGPT-Like AIGC and AGI on Medicine and Medicare. Medical Journal of Peking Union Medical College Hospital, 2023, 14(4): 673-679. )

[21] 王飞跃. 数字医生与平行医疗: 从医疗知识自动化到系统化智能医学. 协和医学杂志, 2021, 12(6): 829-833.

(WANG F Y. Digital Doctors and Parallel Healthcare: From Medical Knowledge Automation to Intelligent Metasystems Medicine. Medical Journal of Peking Union Medical College Hospital, 2021, 12(6): 829-833. )

[22] 王拥军, 王飞跃, 王戈, 等. 平行医院: 从医院信息管理系统到智慧医院操作系统. 自动化学报, 2021, 47(11): 2585-2599.

(WANG Y J, WANG F Y, WANG G, et al. Parallel Hospitals: From Hospital Information System(HIS) to Hospital Smart Opera-ting System(HSOS). Acta Automatica Sinica, 2021, 47(11): 2585-2599. )

[23] 王飞跃. 平行医学: 从医学的温度到智慧的医学. 智能科学与技术学报, 2021, 3(1): 1-

(WANG F Y. Parallel Medicine: From Warmness of Medicare to Medicine of Smartness. Chinese Journal of Intelligent Science and Technology, 2021, 3(1): 1-9. )

[24] WANG S, WANG J, WANG X, et al. Blockchain-Powered Para-llel Healthcare Systems Based on the ACP Approach. IEEE Transactions on Computational Social Systems, 2018, 5(4): 942-950.

[25] 赵毅飞, 申乐, 叶佩军, 等. 平行麻醉: 从麻醉自动化走向智慧型全周期麻醉平台. 智能科学与技术学报, 2023, 5(2): 234-246.

(ZHAO Y F, SHEN L, YE P J, et al. Parallel Anesthesia: From Anesthesia Automation to Intelligent Full-Cycle Anesthesia Platform. Chinese Journal of Intelligent Science and Technology, 2023, 5(2): 234-246. )

[26] 王飞跃, 张梅, 孟祥冰, 等. 平行手术: 基于ACP的智能手术计算方法. 模式识别与人工智能, 2017, 30(11): 961-970.

(WANG F Y, ZHANG M, MENG X B, et al. Parallel Surgery: An ACP-Based Approach for Intelligent Operations. Pattern Recognition and Artificial Intelligence, 2017, 30(11): 961-970. )

[27] 王飞跃, 金征宇, 苟超, 等. 基于ACP方法的平行医学图像智能分析及其应用. 中华放射学杂志, 2021, 55(3): 309-315.

(WANG F Y, JIN Z Y, GOU C, et al. ACP-Based Parallel Medical Imaging for Intelligent Analytics and Applications. Chinese Journal of Radiology, 2021, 55(3): 309-315. )

[28] 王飞跃, 苟超, 王建功, 等. 平行皮肤: 基于视觉的皮肤病分析框架. 模式识别与人工智能, 2019, 32(7): 577-588.

(WANG F Y, GOU C, WANG J G, et al. Parallel Skin: A Vision-Based Dermatological Analysis Framework. Pattern Recognition and Artificial Intelligence, 2019, 32(7): 577-588. )

[29] 王飞跃, 张梅, 孟祥冰, 等. 平行眼: 基于ACP 的智能眼科诊疗. 模式识别与人工智能, 2018, 31(6): 495-504.

(WANG F Y, ZHANG M, MENG X B, et al. Parallel Eyes: An ACP-Based Smart Ophthalmic Diagnosis and Treatment. Pattern Recognition and Artificial Intelligence, 2018, 31(6): 495-504. )

[30] 张梅, 陈鸰, 王飞跃, 等. 平行胃肠: 基于ACP的智能胃肠疾病诊疗. 模式识别与人工智能, 2019, 32(12): 1061-1071.

(ZHANG M, CHEN L, WANG F Y, et al. Parallel Gastrointestine: An ACP-Based Approach for Intelligent Operations. Pattern Recognition and Artificial Intelligence, 2019, 32(12): 1061-1071. )

[31] 王飞跃, 李长贵, 国元元, 等. 平行高特: 基于ACP的平行痛风诊疗系统框架. 模式识别与人工智能, 2017, 30(12): 1057-1068.

(WANG F Y, LI C G, GUO Y Y, et al. Parallel Gout: An ACP-Based System Framework for Gout Diagnosis and Treatment. Pattern Recognition and Artificial Intelligence, 2017, 30(12): 1057-1068. )

[32] YU Y, YAO S Y, WANG K X, et al. Pursuing Equilibrium of Medical Resources via Data Empowerment in Parallel Healthcare System[C/OL]. [2023-2-22]. https://arxiv.org/pdf/2306.00408v1.pdf.

[33] CHEN Y, SHIN K G, XIONG H G. Generalizing Fixed-Priority Scheduling for Better Schedulability in Mixed-Criticality Systems. Information Processing Letters, 2016, 116(8): 508-512.

[34] PANDIT J J, CAREY A. Estimating the Duration of Common Elective Operations: Implications for Operating List Management. Anaesthesia, 2006, 61(8): 768-776. [本文引用:1]

[35] ZHAO B Q, WATERMAN R S, URMAN R D, et al. A Machine Learning Approach to Predicting Case Duration for Robot-Assisted Surgery. Journal of Medical Systems, 2019, 43(2). DOI:10.1007/s10916-018-1151-y.

[36] HUNG A J, CHEN J, CHE Z P, et al. Utilizing Machine Learning and Automated Performance Metrics to Evaluate Robot-Assisted Radical Prostatectomy Performance and Predict Outcomes. Journal of Endourology, 2018, 32(5): 438-444.

[37] KONG S H, HAOUCHINE N, SOARES R, et al. Robust Augmented Reality Registration Method for Localization of Solid Organs' Tumors Using CT-Derived Virtual Biomechanical Model and Fluorescent Fiducials. Surgical Endoscopy, 2017, 31(7): 2863-2871.

[38] LEE S C, FUERST B, TATENO K, et al. Multi-modal Imaging, Model-Based Tracking, and Mixed Reality Visualisation for Orthopaedic Surgery. Healthcare Technology Letters, 2017, 4(5): 168-173.

[39] WANG D Y, KHOSLA A, GARGEYA R, et al. Deep Learning for Identifying Metastatic Breast Cancer[C/OL], [2023-2-21]. https://arxiv.org/pdf/1606.05718.pdf.

[40] BERGQUIST S L, BROOKS G A, KEATING N L, et al. Classifying Lung Cancer Severity with Ensemble Machine Learning in Health Care Claims Data. Proceedings of Machine Learning for Healthcare, 2017, 68: 25-38.

[41] HASHIMOTO D A, ROSMAN G, RUS D, et al. Artificial Intelligence in Surgery: Promises and Perils. Annals of Surgery, 2018, 268(1): 70-76.

[42] MCCOY A, DAS R. Reducing Patient Mortality, Length of Stay and Readmissions through Machine Learning-Based Sepsis Prediction in the Emergency Department, Intensive Care Unit and Hospital Floor Units. BMJ Open Quality, 2017, 6(2). DOI:10.1136/bmjoq-2017-000158.

[43] SHIMABUKURO D W, BARTON C W, FELDMAN M D, et al. Effect of a Machine Learning-Based Severe Sepsis Prediction Algorithm on Patient Survival and Hospital Length of Stay: A Rand omised Clinical Trial. BMJ Open Respiratory Research, 2017, 4(1). DOI:10.1136/bmjresp-2017-000234.

[44] FLEUREN L M, KLAUSCH T L T, ZWAGER C L, et al. Machine Learning for the Prediction of Sepsis: A Systematic Review and Meta-Analysis of Diagnostic Test Accuracy. Intensive Care Medicine, 2020, 46(3): 383-400.

[45] CHERIFA M, BLET A, CHAMBAZ A, et al. Prediction of an Acute Hypotensive Episode During an ICU Hospitalization with a Super Learner Machine-Learning Algorithm. Anesthesia and Analgesia, 2020, 130(5): 1157-1166.

[46] LÖTSCH J, SIPILÄ R, TASMUTH T, et al. Machine-Learning-Derived Classifier Predicts Absence of Persistent Pain after Breast Cancer Surgery with High Accuracy. Breast Cancer Research and Treatment, 2018, 171(2): 399-411.

[47] WOOD B C, KONCHAN S, GAY S, et al. Data Analysis of Plastic Surgery Instrument Trays Yields Significant Cost Savings and Efficiency Gains. Annals of Plastic Surgery, 2021, 86(6S): S635-S639.

[48] SHAH P, KENDALL F, KHOZIN S, et al. Artificial Intelligence and Machine Learning in Clinical Development: A Translational Perspective. NPJ Digital Medicine, 2019, 2. DOI:10.1038/s41746-019-0148-3.