原始论文
摘要
背景:为了在缺乏人力资源的情况下治疗许多患者,分诊在灾害医学中很重要。各种分类算法都有帮助,但经常被错误地使用或根本没有使用。一个潜在的解决问题的方法是用智能眼镜支持分诊。
摘要目的:在这项研究中,增强现实被用于显示分诊算法和远程医疗援助,以比较分诊的持续时间和质量与传统的。
方法:一款专门为智能眼镜设计的Android应用程序通过两种不同的方式增加了增强现实方面的信息——通过数据眼镜显示分诊算法和通过集成摄像头实现与高级急诊医生的远程医疗连接。创建一个场景(即随机模拟研究),其中31名护理人员将12名患者分为3组:无技术支持(对照组)、有分诊算法显示和远程医疗联系。
结果:共进行了362次评估。对照组的准确率仅为58%,但评估速度更快(平均16.6秒)。相比之下,准确率为92% (P=.04),在使用技术支持时显示分诊算法。这个分类平均耗时37.0秒。配戴数据眼镜并进行远程医疗连接的分诊组准确率达到90% (P= 0.01)在35.0秒内。
结论:使用数据眼镜进行分类需要明显更多的时间。虽然在对照组中只记录了一个计数,但智能眼镜导致了对分诊结果的数字捕捉,这具有许多战术优势。我们期望智能眼镜在灾难场景中的应用具有很高的潜力,当使用远程医疗和增强现实功能来提高分诊质量时。
doi: 10.2196/11939
关键字
介绍
恐怖袭击、自然灾害和重大交通事故给世界各地的急诊医生带来了挑战。由于缺乏有关受影响和受伤人员的信息,以及现有资源和必要资源之间的初步差异,需要对总体情况进行快速概述。在灾害医学方面,存在各种战略,以协助管理大规模伤亡,并根据需要和现有资源确定伤者的优先次序。重伤需要紧急治疗;可能需要立即采取挽救生命的措施。受轻伤的人必须得到照顾,但由于资源有限,可以推迟将他们从受损地区运送出去;这导致需要优先处理和运送到医院-分诊程序[
]。分类分类用彩色编码,并在所谓的“受伤附件卡”上记录个人识别号码。在世界上许多国家,建立了不同的分类算法,以帮助救援服务人员和急诊医生将伤亡人员分配到其中一个分类类别[
]。对于执行所谓“优选”的医生和非医务人员来说,算法是不同的;这是很重要的,原因有很多,包括提供一个关于回收额外人员的概述。PRIOR (Primary Ranking for Initial Orientation in Rescue service)算法是德国常用的一种优选算法[ ]。定性,病人的意识,呼吸和循环被解决,这导致在个别分类的进一步问题的非病理评估的情况下;可分为以下3类:重伤员需优先立即治疗(红色或I类);伤势严重,须优先运送(黄色或II类);容易受伤或未受伤(绿色或III类)。然而,各种分类算法经常被错误地使用或根本没有使用[ - ];这将导致不正确的分类分配和错误的优先级。因此,稀缺资源不能正确使用,适当的治疗重点被忽视,治疗延误[ , ]。所有这些都与灾难医学的分诊原则相矛盾[ ]。由此可以得出结论,急需对分诊进行技术支持。因此,我们利用增强现实技术和数据眼镜的潜力来完成这项重要任务。为了在大规模伤亡事件(MCI)的情况下为这一重要阶段提供技术支持,我们在德国联邦政府资助的增强灾难医学(AUDIME)项目框架内开发了一款运行在智能眼镜(Recon Jet, Recon Instruments, Vancouver, BC, Canada)上的分诊应用程序。AUDIME项目旨在开发新的高科技策略,包括智能眼镜应用程序,为MCI提供技术支持[
]。数据显示在智能眼镜上的一个小监视器上,集成摄像头的视频流用于远程医疗支持。通过智能眼镜上的光学触摸板提供的简单操作手势,可以选择菜单项,并可以进行简单的手动输入。本研究旨在评估使用智能眼镜进行分流支持的各种技术方法的可行性。筛选过程的平均持续时间和分配到所列分类之一的准确性是主要目标参数。
方法
安卓应用
对于智能眼镜,我们与我们的项目合作伙伴(德国汉堡的Tech2go GmbH)一起开发了一个应用程序,用于Android设备。通过使用几个菜单级别,可以向任务组显示信息,并提供适当的支持。通过显示PRIOR,以实现对分流的支持,这是各种分流算法中的一种(
).只需在光学触摸板上方进行简单的手部动作,就可以对决策树进行处理,并显示分诊结果。结果以数字方式记录,并通过照片分配到患者阑尾卡的个人ID。Telemedical支持
另一种调查通过智能眼镜提供的技术支持的方法是远程医疗。在德国亚琛,这已经在个人医疗急救和常规院前救援服务中使用了多年[
- ]。远程医疗连接的紧急医疗服务(EMS)医生可以为救护人员做出困难的决定提供医疗援助。远程医疗尚未在灾害医学中得到应用。因此,在这个项目中使用了智能眼镜的摄像头,通过实时视频传输向远程ems医生提供有关MCI站点的信息。因此,医生能够获得对情况的印象,并与现场团队合作进行分诊,并为每位患者分配分诊类别。为此,开发了一个单独的远程高级ems医生软件(Tele-LNA, Docs in Clouds GmbH, Aachen, Germany)。再一次,分诊结果的数字记录被保留。音频连接是通过互联网语音协议实现的。为了获得更好的语音质量,使用了蓝牙连接的耳机。可选择连接电池组,以优化智能眼镜的电池容量,即使长时间使用( ).AUDIME系统的功能需要一个本地Wi-Fi网络,该网络可以通过现场的本地接入点跨越;虽然这项技术在部署现场仍然不常见,但我们认为未来许多救援车辆将安装这种技术,以确保救援和医疗技术之间的互操作性。其他的概念,例如使用移动网络,也是可以想象的。通过安全的数据连接,所有收集到的数据都被传输到AUDIME服务器的信息集成层,进行分析,并可供智能眼镜或其他设备(如平板电脑)使用。
研究设计
为了在随机分类研究中进行评估,在当地伦理委员会(Aachen, Germany, EK 185/17)的批准下,在法兰克福消防队和救援训练中心的场地上进行了模拟,该模拟代表了一排住宅楼的爆炸。共有12名专业演员对不同损伤的患者进行了模拟表演(
).两处伤口的构成相同。演员们被要求先夸张一次,然后再轻描淡写一次。共有31名护理人员可作为模拟研究的受试者。每个人都有至少2年的EMS实践经验。除了必须的职业培训外,参与的标准还包括佩戴隐形眼镜或不佩戴视觉辅助设备的视力,因为智能眼镜不允许佩戴处方眼镜或老花镜;因此,这被认为是一个排除标准。参与者被随机分配到以下3组中的1组:第一组被要求在没有进一步帮助的情况下进行个人分类,并将结果记录在计数中(对照组);第二组使用智能眼镜app提供的PRIOR算法;第三组被要求联系远程高级急救医生,通过数据眼镜的集成摄像头的视频流协同进行伤员分诊。受试者事先不知道小组分配(盲法)。远程急救医生接受过麻醉、重症监护和急诊医学方面的专业培训,并有多年的常规急救医生经验。
为了确保对分诊算法有相同程度的了解,所有护理人员,包括对照组,在模拟前半小时接受了PRIOR算法的培训(之前没有人知道)。此外,为所有护理人员提供了PRIOR算法作为口袋卡。随后,他们被分配到他们应该使用的分类方法,这取决于他们所属的研究组。每个小组的规模是基于在第一次试点研究中花费的估计时间。
数量 | 受伤 | 模拟类型 | 分类类别 |
1 | 无意识 | N/A一个 | 我/红色 |
2 | 无意识 | N/A | 我/红色 |
3. | 下肢开放性骨折 | 低调 | 2 /黄 |
4 | 下肢开放性骨折 | 夸张的 | 2 /黄 |
5 | 打桩小腿 | 低调 | 2 /黄 |
6 | 打桩小腿 | 夸张的 | 2 /黄 |
7 | 大腿伤口很深,没有出血 | 低调 | 2 /黄 |
8 | 大腿伤口很深,没有出血 | 夸张的 | 2 /黄 |
9 | 削减的脸 | 低调 | III /绿 |
10 | 削减的脸 | 夸张的 | III /绿 |
11 | 头部的伤口 | 低调 | III /绿 |
12 | 头部的伤口 | 夸张的 | III /绿 |
一个不适用。
受试者依次按照分组分配完成筛选过程。在每个病例中,他们都有一个辅助人员陪同,他们记录了分诊的持续时间和所选的类别。然后,评估主要目标参数-分诊时间和分诊准确性。如果选择的分类类别与正确的类别不一致,则为选择的绿色(III)而不是红色(I)或红色(I)而不是绿色(III)类别定义所谓的“主要偏差”。随后,两个技术支持组的护理人员完成了一份可用性问卷。此外,还询问了所有参与团队的安全感受以及他们对执行分诊流程的个人意见。受试者调查的数据被定义为进一步的结果参数。
统计分析
主要结局参数的非参数分布采用独立样本的Mann-Whitney U检验(显著性水平;P= . 05)。我们使用SPSS统计软件,版本23 (IBM)进行统计评估和数据骨干。所有数据分别以中位数、四分位间距(IQR)或最小到最大值表示。次要结局参数的评价是描述性的。
结果
用户的结果
共有31名护理人员为病人进行362次个别诊检(
);20名护理人员对240名患者进行常规分类,手动覆盖分类类别(对照组),7名护理人员对智能眼镜中PRIOR算法指示的84名患者进行分类,4名护理人员与远程高级EMS医生一起进行了38次分类。分诊时间
对照组的平均分诊时间为16.6秒(IQR 11.3-23.6),而技术支持的筛查时间更长。在智能眼镜中使用PRIOR时,平均分诊时间为37.0秒(IQR 28.7-40.4;P=.001),与远程高级EMS医生一起分诊平均为35.0秒(IQR 31.7-41.1;P= . 01)。因此,有技术支援及数码影像的分诊时间明显长于传统的分诊时间(
).该图包括每种分诊类型所需的时间:常规分诊、数据眼镜上显示的PRIOR分诊和数据眼镜上集成摄像头的远程高级EMS医生分诊。只有技术上支持的过程才涉及对类别的数字捕获。从个别诊检分类来看,技术支援组,特别是第二类和第三类,所需的时间有所增加( ).分诊质量
对分诊分类的正确分配是主要的结果参数。在传统的分诊中,受试者的分诊结果的平均准确率为58% (IQR为33%-75%)。然而,在技术支持下,分类的质量可以显著提高。使用PRIOR智能眼镜应用程序进行分诊的准确率显著提高到92% (IQR 75%-92%)。P= 0.04)至90% (IQR为82%-98%;P= 0.01)与远程高级急救医生协助的数据眼镜(
).仅在对照组中出现2类秩的偏差。这些“主要偏差”的数量为8% (IQR为0%-15%)。在结果参数方面,可用性和安全感均表现出足够的被试接受度。在得到分诊算法或远程医疗联系人支持的参与者中,73%(8/11)的人表示智能眼镜的可用性好或非常好。此外,大多数受试者确认了在灾难发生时与个人防护装备的兼容性。在问卷的免费文本中,几名受试者补充说,由于技术支持,他们在分诊过程中感到明显更安全。只有一个被试者认为远程高级急救医生在分诊过程中的帮助是多余的,因为“分诊不需要医生”。该受试者认为医生的接触是侵入性的,他希望将来能独自进行分诊。
集团 | 对照组(n=20) | 优先分类一个服务显示(n=7) | 由远程高级急诊医生进行分诊(n=4) | |
性别,n (%) | ||||
女性 | 4 (20) | 1 (14) | 0 (0) | |
男性 | 16 (80) | 6 (86) | 4 (100) | |
年龄(年),平均(范围) | 32.5 (21-50) | 34.1 (28-40) | 26.8 (24-31) |
一个先验:救援中初始定位的主要等级。
讨论
主要研究结果
在模拟MCI场景中,与传统对照组相比,应用智能眼镜应用程序显示分诊算法或与经验丰富的急诊医生进行远程医疗联系,以支持护理人员进行的分诊。在一个测试组中,使用PRIOR分诊算法来确保标准化的决策支持,而在第二个测试组中,提供与高级EMS医生的远程医疗连接,该医生也可以遵循分诊算法,也可以偏离分诊算法。尽管与对照组相比,每个实验组的分诊时间几乎是对照组的2倍,但分诊的总体质量(以其准确性衡量)显著提高。
传统分诊的持续时间为16.6秒,与类似研究一致。值得注意的是,许多参与者没有应用先前学习的PRIOR,而是经常自发地决定;这也反映在整体糟糕的分诊质量上,个体之间的范围很大。只有58%的分诊符合3名独立的、经验丰富的急诊医生先前确定的正确结果。因此,分诊的准确性仍然取决于其他研究的经验,这些研究也调查了不同分诊算法的使用[
, ]。在对受试者的观察中,许多人表现出明显的紧张,这反过来又证实了模拟的真实性。许多人进入了所谓的“狭窄视野”,而且分类是错误的。在大多数情况下,选择了更高优先级的类别。虽然这种现象被认为是PRIOR算法的潜在误差来源,但这种程度表明该算法很少被正确应用。虽然控制组被明确指示使用该算法,但没有一个受试者使用分发的口袋卡,这也是许多EMS单位在实际灾难中使用的。许多研究表明,医学上的核对表不被广泛接受,但在其他与安全有关的职业中却经常使用,例如在航空领域[
, ]。最后,那些在智能眼镜应用程序上观看先验分诊算法的受试者表现出明显更好的分诊质量,其匹配率显著提高,达到92%,而对照组的匹配率为58%。本研究组的所有参与者都被介绍使用该应用程序进行每次分诊的算法显示。通过决策树,受试者被迫使用PRIOR,直到获得分诊结果。由于与口袋卡相比,算法可以直接显示在眼前,所以这个工具真正被使用了。然而,这导致了更长的分诊时间,几乎是对照组的两倍。
在这种情况下,值得注意的是,该组以数字方式记录了分诊结果,而对照组则采用手动记录;这在部署战术中产生了许多具有决定性重要性的优势。此外,它允许从任何地方检索数字结果,并且将来可以有助于早期了解人类和物质需求;这对于更好地规划医院能力和救护车等稀有资源在灾难情况下尤为重要。然而,在智能眼镜中显示PRIOR算法不需要互联网连接,但需要数字采集分诊结果。
透过智能眼镜的摄影机,传送现场视频流,为病人提供远程医疗协助;这表明分诊质量特别好,达到90%,因此,与对照组相比,有了非常显著的提高。这当然是由于四眼原则和医生在筛查过程中的存在。然而,这与问卷中的护理人员的陈述相矛盾,他们认为医生在分诊中毫无意义。分诊质量的提高当然也归功于对筛选算法处理指南以及其他程序指令的高度遵守;这一现象也在德国亚琛远程急救医生对个人医疗的其他研究中得到证实[
]。与对照组不同,远程高级EMS医生辅助分诊的持续时间明显延长,但分诊结果的数字采集得以实现。此外,远程医生还能够收集和记录除分诊分类之外的更多信息,例如患者姓名和首次诊断。在PRIOR算法中,将轻伤分类为III类所需的时间较长是一个众所周知的现象,同时过度分类率也很高[
]。在第一类诊伤分类中,技术支援的延迟时间最短( ).由于这一分类确定了需要立即优先治疗的严重受伤患者,这是一个重要的发现。然而,分类没有达到100%准确的原因,最好的解释是对定性特征的不同估计。因此,必须评估是否有呼吸或循环系统疾病,而不需要更详细地描述。此外,数据眼镜上显示的分组分类算法也没有达到完全的准确性。除了上述原因外,数据眼镜的菜单导航错误以及算法过程中的错误也会对这里产生影响。
2015年开展了现代远程医疗应用于灾害分诊的可行性研究,其中仅有2例患者采用远程医疗分诊[
];作者发现分诊的质量没有显著差异,但持续时间不同。在另一项研究中,在灾难任务中使用光学头戴式显示器被认为是有益的,但没有与对照组进行直接比较[ ]。另一种分诊算法在谷歌眼镜上进行了全面测试,以执行视觉引导的增强现实简单分诊和快速治疗分诊,识别伤亡人员,并收集地理参考笔记、照片和视频,以纳入述情报告[ ]。然而,本研究首次展示了传统分诊、显示增强现实分诊算法和远程医疗辅助分诊之间的对照随机比较。使用智能眼镜提高的分类质量也反映在受试者的提问上。在这项研究中,在智能眼镜提供的技术支持下进行分诊的大多数受试者描述了一种增强的安全感;这对于在紧张和不熟悉的灾害情况下的紧急服务来说是一个重要因素。
在现实条件下验证了智能眼镜的可用性。使用光学触摸板来控制智能眼镜的菜单时,也戴着防护手套进行操作,这没有造成太大的问题,尽管在操作智能眼镜时只给了一个非常简短的介绍。此外,模拟由受试者使用自己的个人防护装备完成,并在问卷中确认了足够的兼容性。
限制
研究组的不同规模是由于对照组也是平行观察研究的一部分。从数据眼镜获得技术支持的2个研究组的规模(包括算法显示和远程医疗联系)最初设计为n=10。然而,由于给定的时间段,并非所有护理人员都可以参加;这一事实是在未来的研究中应该考虑到的一个限制。
除了电池容量低之外,另一个限制是可以通过连接电池组(
),与个人眼镜不兼容。为了让眼镜佩戴者能够使用智能眼镜,个人眼镜必须进行调整;这将涉及相当大的费用。然而,对于不戴眼镜的人来说,目前的智能眼镜也可以起到保护眼镜的作用。此外,本地Wi-Fi连接也出现了问题。在10次分诊中,由于结构障碍无法实现适当的连接;这些被排除在研究结果之外。在这里,拥有足够的网络覆盖和更大的电池容量的移动连接当然是有意义的。不幸的是,目前市场上还没有这样的解决方案。结论
总之,技术辅助分诊的质量明显优于传统方法。事实证明,智能眼镜在灾难医学中是一个有用的工具;当信息显示在监视器上并通过集成摄像头收集数据时,它们允许EMS响应者继续用双手工作。考虑到分诊质量的数字覆盖,分诊的延迟似乎是可以接受的。该系统的进一步发展,以及在日常手术中的使用,肯定会显著缩短分诊时间。假设增强现实和虚拟现实在未来几年的工作和休闲中都将变得越来越重要,未来的用户将更快、更直观地使用它。
这项研究表明,仍然需要对筛查辅助程序进行研究,以实现足够质量的分诊,这对于在灾难情况下对患者进行有针对性和优先的治疗和运输至关重要。因此,高科技也可以在灾难发生时支持特殊挑战。这些任务很少,因此缺乏所有紧急医疗专业人员的例行工作。必须在这种情况下利用现代技术的所有潜力,并在现有民防结构中整合和使用增强现实和远程医疗。
致谢
AUDIME项目的资金由德国联邦教育和研究部(bundesministium fr Bildung und Forschung)提供。
作者的贡献
AF, MO, NH和MC构思了研究,设计了试验,并获得了研究经费。AF, NH, RR和MC监督试验和数据收集的进行。AF和MC管理数据,包括质量控制。SKB和RR为研究设计提供统计建议。AF和MC分析数据。AF起草了手稿,所有作者都对其修订做出了重大贡献。AF对整个论文负责。
利益冲突
MO和MC是德国亚琛Docs in Clouds GmbH公司的员工;MC和RR是德国亚琛Docs in Clouds GmbH的股东。
参考文献
- 克拉克森L,威廉姆斯m,伤情分类,大规模伤亡。来源:StatPearls [Internet]。佛罗里达州金银岛:StatPearls Publishing;2017.
- 张建军,张建军,张建军,李建军,等。大规模伤亡事故分类诊断算法的研究进展。英文版本。麻醉师2017 Aug 10:1-10。[CrossRef] [Medline]
- 刘建军,刘建军,李建军,等。普瑞尔:超声成像系统研究进展[j] . Notfallsanitäter。Rettungsdienst 2014; 37(8): 730 - 734。
- 李建军,李建军,李建军,等。中国汽车工业发展与发展研究进展[j]。气象学报,2011,31(1):58-64。[CrossRef]
- Hoff JJ, Carroll G, Hong r。简单分诊和快速治疗中分诊不足和分诊过度的存在。中华灾难医学杂志,2017;12(3):147-154。[CrossRef] [Medline]
- Kilner TM, Brace SJ, Cooke MW, Stallard N, Bleetman A, Perkins GD。在“大爆炸”重大事件中,分诊工具能否准确预测临床优先级?对文献的系统回顾。损伤2011年5月;42(5):460-468。[CrossRef] [Medline]
- 引用“期待”分类:我们能实现范式转变吗?中华灾难医学杂志,2017;12(3):167-172。[CrossRef] [Medline]
- Jenkins JL, McCarthy ML, Sauer LM, Green GB, Stuart S, Thomas TL等。大规模伤亡分类:是时候采取循证方法了。急救医学2008;23(1):3-8。[Medline]
- 中尾,吴凯,小谷J.从灾难医学的角度回顾分诊起源的历史。急诊外科,2017,12 (4):379-384 [j]免费全文] [CrossRef] [Medline]
- Paulus A, Czaplik M, Hirsch F, Meisen P, Meisen T, Jeschke S. AUDIME:增强灾难医学。参:Jeschke S, Isenhardt I, Hees F, Henning K,编辑。科学与工程中的自动化、通信与控制论。柏林:施普林格出版社;2018:637 - 644。
- Brokmann j, Rossaint R, Bergrath S, Valentin B, Beckers SK, Hirsch F,等。远程医疗救援援助系统的潜力和有效性。急诊医学实施的前瞻性观察研究。麻醉师2015 Jun;64(6):438-445。[CrossRef] [Medline]
- Brokmann JC, Rossaint R, Hirsch F, Beckers SK, Czaplik M, Chowanetz M,等。远程医疗辅助护理人员镇痛与内科医生镇痛的比较:一项前瞻性、介入性、多中心试验。欧洲医学杂志,2016;20(7):1176-1184。[CrossRef] [Medline]
- Brokmann JC, Conrad C, Rossaint R, Bergrath S, Beckers SK, Tamm M,等。远程医疗辅助护理人员治疗急性冠脉综合征与内科医生治疗的比较:一项前瞻性、介入性、多中心试验医学互联网研究,2016年12月1日;18(12):e314 [J]免费全文] [CrossRef] [Medline]
- 张建军,张建军,张建军,等。远程医疗在急诊医学中的应用。临床需求分析,系统开发和首次测试结果。方法中华医学杂志2014;53(2):99-107。[CrossRef] [Medline]
- Felzen M, Brokmann JC, Beckers SK, Czaplik M, Hirsch F, Tamm M,等。一种多功能院前远程医疗系统在研究阶段和常规使用阶段的技术性能改进-一项观察性研究。中国电信学报,2017;23(3):402-409。[CrossRef] [Medline]
- 交叉KP,西塞罗MX。儿童、成人和老年患者的灾害分诊方法的正面比较。中国生物医学工程学报,2013,31(6):668- 668。[CrossRef] [Medline]
- Mistry B, Stewart De Ramirez S, Kelen G, Schmitz PSK, Balhara KS, Levin S,等。使用紧急程度指数的急诊科分诊的准确性和可靠性:国际多中心评估。中国生物医学工程学报,2018,31(5):581-587。[CrossRef] [Medline]
- Jain D, Sharma R, Reddy S.世卫组织安全手术清单:普遍接受的障碍。麻醉学与临床药学杂志2018;34(1):7-10 [J]免费全文] [CrossRef] [Medline]
- Thomassen Ø, Espeland A, Søfteland E, Lossius HM, Heltne JK, Brattebø G.卫生保健检查清单的实施;向高可靠性组织学习。[J]创伤复苏与急诊医学2011年10月03日;19:53]免费全文] [CrossRef] [Medline]
- 王晓明,王晓明,王晓明,Rörtgen,等。急性脑卒中院前远程会诊的可行性——临床常规的初步研究。科学通报,2012;7(5):362 - 362 [j]免费全文] [CrossRef] [Medline]
- 李建军,李建军,李建军,等。你看到我看到的了吗?使用谷歌眼镜进行灾难远程医疗分诊的见解。灾难医学,2015,30(1):4-8。[CrossRef] [Medline]
- 张建军,张建军,张建军,等。大规模伤亡事故中光学头戴式显示器的研究进展。国际情报系统危机应对管理[J]; 2015;30(1):1-15。[CrossRef]
- Carenzo L, Barra FL, Ingrassia PL, Colombo D, Costa A, Della Corte F.通过谷歌眼镜的灾难医学。中华医学杂志;2015;22(3):222-225。[CrossRef] [Medline]
缩写
AUDIME:增强灾难医学 |
EMS:紧急医疗服务 |
差:四分位范围 |
MCI:大规模伤亡事故 |
之前:救援服务中初始定位的初级排序 |
G·艾森巴赫编辑;提交14.08.18;经K . Goniewicz, J . Salisbury同行评审;对作者的评论19.09.18;修订版本收到06.10.18;接受06.10.18;发表03.01.19
版权©Andreas Follmann, Marian Ohligs, Nadine Hochhausen, Stefan K Beckers, Rolf Rossaint, Michael Czaplik。原载于医学互联网研究杂志(//www.mybigtv.com), 2019年1月3日。
这是一篇在知识共享署名许可(https://creativecommons.org/licenses/by/4.0/)下发布的开放获取文章,该许可允许在任何媒介上不受限制地使用、分发和复制,前提是原始作品首次发表在《医学互联网研究杂志》上,并适当引用。必须包括完整的书目信息,到//www.mybigtv.com/上原始出版物的链接,以及版权和许可信息。