Integrating Wearable Sensor Data With an AI-Based, Protocol-Flexible Triage Platform to Accelerate Decision-Making During the Golden Hour of Combat Casualty Care
Notice bibliographique
Résumé
Introduction Rapid, accurate triage within the first "golden hour" on the battlefield is critical to survival, yet existing wearable sensors and manual protocols operate in isolation, delaying care and creating inconsistent priority ratings across military and civilian systems. We therefore designed a vendor-agnostic, protocol-flexible platform that ingests live biometric streams from military-grade wearables, applies an artificial intelligence (AI)-enhanced hybrid decision engine, and returns colour-coded casualty categories under any standard (e.g., MARCH (Massive hemorrhage, Airway, Respiration, Circulation, and Hypothermia/Head injury), Canadian Triage and Acuity Scale (CTAS), START(Screening Tool to Alert to the Right Treatment), SALT (Sort, Assess, Life-saving Interventions, Treatment/Transport)) in real time. Methods The planned platform will comprise four layers: (i) Data Ingestion, which normalizes ECG, heart-rate, blood-pressure, and oxygen saturation (SpO₂) signals to Open mHealth/Fast Healthcare Interoperability Resources (FHIR) schemas via BLE (Bluetooth Low Energy) or WebSockets; (ii) Secure Transport, which encrypts packets with Transport Layer Security (TLS) 1.3 and uses store-and-forward buffering through message queuing telemetry transport (MQTT)/Kafka brokers; (iii) Triage Engine, which merges continuous machine-learning severity scores with dynamically loaded guideline definitions (JSON (JavaScript Object Notation)/YAML (YAML Ain't Markup Language)) and rule-based overrides; and (iv) Presentation, which delivers one-tap guideline selection and actionable prompts to medics while providing a geo-tagged command dashboard. Validation will combine bench tests on synthetic and de-identified Medical Information Mart for Intensive Care IV (MIMIC-IV) datasets with randomized field-simulation trials that compare manual versus AI-augmented triage, measuring time to triage, protocol concordance, and medic cognitive load (National Aeronautics and Space Administration Task Load Index(NASA-TLX)). Results (projected) We anticipate at least a 30% reduction in triage time, agreement rates of 85% or higher with expert assessments across multiple protocols, and significant decreases in medic workload. Conclusion A dynamic, standards-based artificial intelligence (AI) triage platform could harmonize military and civilian casualty care, accelerate golden-hour decision-making, and improve multinational interoperability. Planned live-exercise evaluations and open-source protocol libraries are expected to facilitate rapid adoption and continuous refinement.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».