每年有多達幾十萬人因醫療錯誤而死亡，但是，通過使用電子傳感器和人工智能來幫助醫療專業人員監控和治療易受傷害的患者，以改善結果并同時尊重隱私的方式，可以避免許多此類死亡。

　　“我們有能力在提供醫療保健的物理空間中構建技術，以幫助減少由于患者人數眾多和醫療保健的復雜性而導致的致命錯誤的發生率，”斯坦福大學臨床卓越研究中心（CERC）醫學教授ArnoldMilstein說。

　　米爾斯坦（Milstein）與計算機科學教授李飛飛（Fei-FeiLi），以及研究生阿爾伯特·哈克（AlbertHaque）共同探討了在醫療保健領域的“環境智能”領域，如何創建配備AI的智能病房系統以做助力醫療。

　　例如，傳感器和AI可以在臨床醫生和病人進入醫院之前，提醒他們對手進行消毒。還有可以將AI工具內置到智能家居中，在智能家居中，技術可以毫不費力地監視虛弱的老人，了解即將發生的健康危機的行為線索。他們會提示家庭護理人員，偏遠的臨床醫生和患者本人及時進行挽救生命的干預措施。

　　斯坦福大學人類中心人工智能研究所（HAI）的聯合主任李表示，周圍環境技術有很多潛在的好處，但是它們也會引發法律和法規問題，以及必須在解決方案中識別和解決的隱私問題。以一種公開的方式贏得患者和醫療服務提供者以及支付醫療費用的各種機構的信任。

　　李說：“保護醫學上脆弱人群健康的技術本質上是以人為本。”“研究人員必須聽取所有利益相關者的意見，以創建一種系統來補充護士，醫生和其他護理人員以及患者自身的工作”。

　　Li和Milstein共同領導了成立8年的斯坦福AI-AssistedCare合作伙伴關系（PAC），這是越來越多的中心之一，其中包括約翰？霍普金斯大學和多倫多大學的技術人員和臨床醫生合作的中心開發環境情報技術以幫助醫療保健提供者管理如此龐大的病人數量—大約有2400萬美國人在2018年需要住院過夜—哪怕是最小的誤差也可能會導致很多生命損失。

　　米爾斯坦說：“我們在床邊護理的復雜性中參與競爭。根據最近的一項統計，醫院新生兒重癥監護病房的臨床醫生每天每位患者每天要進行600次床旁手術。如果沒有技術援助，那么執行大量復雜的手術將會超出臨床團隊的負荷。”　　解決方法：由AI控制的不可見光？

　　Haque表示，該領域主要基于兩種技術趨勢的融合：價格低廉的紅外傳感器可用于構建高風險的護理環境；以及機器學習系統的興起，以使用傳感器輸入來訓練醫療保健中的專用AI應用程序。

　　紅外技術有兩種類型。第一種是主動紅外，例如電視遙控器使用的不可見光束。但是，新的主動紅外系統不再像電視遙控器那樣簡單地向一個方向發射不可見光，而是使用AI來計算不可見光線反彈回源所花費的時間，例如基于光的雷達形式將3-D一個人或物體的輪廓。

　　這種紅外深度傳感器已經在醫院病房外使用，例如，辨別人員在進入之前是否洗過手，如果沒有，則發出警報。在一項斯坦福大學的實驗中，掛在門附近的一臺平板電腦顯示出穩定的綠色屏幕，如果發生衛生故障，該屏幕將變為紅色或可能需要測試的其他警報顏色。研究人員曾考慮使用聲音警告，直到醫學專業人士另行通知為止。

　　米爾斯坦說：“醫院已經充滿嗡嗡聲和嘟嘟聲。”“我們對臨床醫生的以人為本的設計訪談告訴我們，視覺提示可能會更有效且更不令人討厭。”

　　正在對這些警報系統進行測試，以查看它們是否可以減少獲得醫院感染的ICU患者的數量-由于醫院中其他人未能完全遵守感染預防協議，患者可能感染致命的疾病。

　　第二種紅外技術是無源探測器，這種探測器可以使夜視鏡從人體熱量產生的紅外線中產生熱圖像。在醫院環境中，ICU病床上方的熱傳感器將使管理AI能夠檢測床單下方的抽動或扭曲，并警告臨床團隊成員即將發生的健康危機，而無需經常在各個房間之間走動。

　　到目前為止，研究人員避免使用高清視頻傳感器，例如智能手機中的傳感器，因為捕獲視頻圖像可能不必要地侵犯了臨床醫生和患者的隱私。Haque說：“由紅外傳感器提供的輪廓圖像可以提供足夠準確的數據，以訓練AI算法用于許多臨床上重要的應用。”

　　家庭環境中的環境情報系統也可以進行持續監視，以檢測出嚴重疾病或潛在事故的線索，并提醒護理人員及時采取干預措施。例如，當年老體弱的老年人開始更加緩慢地運動或停止規律地進食時，這種行為可能預示著沮喪，更大的跌倒可能性或危險的健康危機的迅速發作。研究人員正在開發活動識別算法，該算法可以篩選紅外感應數據以檢測習慣行為的變化，并幫助護理人員更全面地了解患者的健康狀況。

　　米爾斯坦說，在家庭，輔助居住環境和療養院中，隱私尤其受到關注，但是我們從醫院和日常生活空間獲得的初步結果證實，環境傳感技術可以提供我們所需的數據，以遏制醫療錯誤。