版权归中华医学会所有。
未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
除非特别声明，本刊刊出的所有文章不代表中华医学会和本刊编委会的观点。
目前世界有许多灾害所造成的后果都很严重。灾害一旦发生，最关键是拯救人的生命。如何开展科学高效的应急医学救援已成为各国研究的热点。特别是近年来，美国、加拿大、英国、日本等发达国家在应急医学救援领域以信息化变革为契机，每年不断增加财政预算，用于构建更加敏捷、坚实的应急机制和管理体系，旨在有效应对威胁人类正常的生产和生活的各种突发灾害事件。美国建设了较为完善的突发事件"紧急事务管理系统"(Emergency Management System, EMS)，欧洲5国在尤里卡计划下研制了"重大紧急事件智能管理系统"(Major Emergency Intelligent Management System，MEMS)，日本也建设了针对自然灾害的"灾害响应系统"(Disaster Response System, DRS)等。成型的系统如日本兵库县使用的Phoenix灾害管理系统，它是基于阪神地震实际经验教训的基础上所建立的防灾响应系统。日本兵库县Phoenix灾害管理系统是兵库县防灾中心的核心系统，也是是现时日本最完善的防灾应急系统。这些项目和系统对于人类应对多种灾害起到了积极的作用。我国目前还没有建立一套完整的处理突发灾害的伤情评估与救援决策系统。面对复杂的突发重大灾害，伤亡人数、伤情、伤类如何界定，当地是否有足够的救援力量可以应对，应急救援队伍如何抽组合理的人员与装备等问题的解答，往往更多是依赖综合性预案和经验式决策。应急医学救援出队筹备缺乏预见性和针对性，灾害发生后大量救援组织融入事发地点，导致救援路径拥堵、当地负荷激增、缺乏有效准备、救援行动散漫的例子在我国并不少见。为了解决上述问题，提高应急救援的效率，由必要研发重大灾害伤情评估和救援决策支持系统，系统采用JavaEE平台实现，将Struts、Spring及Hibernate框架应用到应急救援模型，并采用了WebGIS、网络爬取及云推送等技术来实现数据的获取和用户的交互；可实现对地震、洪涝灾害、火灾、泥石流、传染病、暴恐活动等突发事件所致人员伤亡情况的大致评估，并且当灾害的破坏力量超过当地应急医疗力量、需要外界支援的前提下，有针对性地生成用户方人员、装备、药材、路线的应急方案，既可为救援准备提供辅助决策，又可与"应急医疗救援平台"融合，为整个救援行动提供早期的数据管理服务。
系统的总体架构分为用户层、业务层、数据处理层、数据存储层和数据采集层(图1)。用户层提供可视化的操作界面，分为Web页面访问和移动终端APP访问两种方式；业务层提供实现系统的具体功能，包括灾害历史信息管理、灾害救援事件管理、应急预案管理、救灾调度管理、救灾人员信息管理和救灾物资信息管理；数据处理层将实时采集的灾情信息和从系统内部查询的灾害相关信息(救援人员和物资)进行规范化的组织和封装，为上层业务的实现提供完善精确的数据支持；数据存储层运用分布式文件存储系统和传统数据库的方式对灾害信息进行规范化存储和管理；数据采集层负责从系统外部录入灾害相关信息，包括系统接入、页面爬取等方式获取海量信息，为系统提供来源丰富、可信度高的数据。
系统采用B/S模式开发，提供主流的Web访问页面，方便用户进行各类操作。系统主操作界面基于WebGIS提供地图显示，支持缩放、动态刷新、点击查询等功能，实现对灾害所在地的卫星定位和周边地理信息、道路状况的显示。系统提供在灾后向相关人员进行消息云推送的功能，用户通过在移动终端的APP接收推送获取实时的调配信息，明确各自的救灾职责。同时，移动端App作为现场救灾人员向系统反馈实时现场信息的渠道。Web界面提供人机友好的交互界面，方便用户进行信息录入、资料库管理、信息发布以及调度指令的下达。同时，提供简洁清晰的应急预案对比视图和救灾效果评价视图，以图表等方式进行呈现，方便用户对救灾情况进行全面的评估。
业务逻辑层通过对灾害历史信息管理、灾害救援信息管理、应急预案管理、救灾调度管理、救灾人员信息管理和救灾物资信息管理等功能模块构建相应服务。系统拟采用主流的JavaEE平台进行系统主体业务层开发，利用Struts框架中的控制器实现与前端页面的交互以及相应服务的调动，利用Hibernate实现对数据库的高性能访问，利用Spring提供高效的事务管理。
系统结合从各个接口采集上来的数据、通过爬取互联网获得的信息，以及通过现场终端、卫星遥感等获取的图片信息进行汇总分析，为系统进行的伤情灾害的评估和后续的救援预案的生成，提供有利的数据支撑，为决策者提供必要的现实辅助依据。从微博数据爬取上来的信息及官方的灾害相关的微博信息进行汇总，对于以上获得的信息可以采用由Google公司提出的MapReduce并行编程平台进行处理，能够提高处理这些非结构化数据的效率[1]。然后，基于一定的筛选和分类机制，可以将关于灾害的热点话题以及评论转发数量多的微博信息、图片信息筛选出来，作为系统的展示一部分数据。
在数据采集层，经过采集及预处理最后得到的数据，包含了各类结构化、非结构化数据，诸如各类互联网信息数据、医学图片、远程会诊视频及卫星数据。对于这些海量的数据，在保证容量、存取速度、处理速度及容错的存储机制上，要对其进行存储。在大数据处理框架下采用HDFS文件存储系统。HDFS(Hadoop Distributed File System)是一个高度容错性的系统，HDFS能提供高吞吐量的数据访问，非常适合大规模数据集上的应用[2]。HDFS的架构是基于一组特定的节点构建的(图2)。对外部客户机而言，HDFS就像一个传统的分级文件系统，可以创建、删除、移动或重命名文件。NameNode在HDFS内部提供元数据服务，可以控制所有文件操作。存储在HDFS中的文件被分成块，然后将这些块复制到多台计算机(DataNode)中[3]，这与传统的RAID架构大不相同。块的大小(通常为64MB)和复制的块数量在创建文件时由客户机决定，而HDFS内部的所有通信都基于标准的TCP/IP协议。HDFS系统按照用户自定义的数据块大小将灾害信息数据分块存储在多个数据块上。NameNode管理整个系统的命名空间，将命名空间中的文件名保存在一个文件系统树中，并记录系统中文件的操作日志。同时，NameNode保存了"数据块–数据存储节点"的映射表，用以描述文件中包含哪些数据块以及数据块的存储位置。DataNode存储了灾害相关数据，可接受救援人员请求，实现灾害或者医疗数据的写入和读取。DataNode也可周期性地向NameNode更新其存储的数据块信息，保证信息的时效性。以卫星上获取的灾区情况图片的存储为例。由于灾区图片属于非结构化数据，首先需要进行统一建模。其次，调用NameNode将每个图片文件依据用户自定义的数据大小划分为不同的数据块，并分配DataNode用来存储数据块。为了防止数据丢失，可创建多个备份。然后，数据块写入队列中的第一个DataNode，接着采用流水线方式，由第一个数据节点将数据块发送给下一个数据节点，以此类推，直到全部数据块副本完成存储。
(1)基于爬取的互联网数据采集：对于爬取互联网数据，可以选择一些官方的新闻、报刊媒体的微博进行爬取，在页面上单独划分一片区域进行展示。同时对于普通的微博用户，系统根据关键字进行爬取，爬取这些与灾害有关的微博。(2)基于接口技术的信息系统数据采集：每一个成型的软件系统，都会通过以提供接口访问的形式允许外部系统来获取本身的数据。本系统通过接口技术可以获取各类灾情信息(如地震、气象、全国机场等)。(3)非结构化数据的数据采集：在数据的采集过程中，系统不仅要采集上来结构化的微博，接口数据等，还可以通过一些现代的技术手段来获取一些诸如图片、视频、语音等。通过这些数据能够有效的支持救援系统预案的生成。(4)人工录入的数据：人工录入的数据包含系统运行的必要数据。
系统的主要功能模块如图3所示：(1)灾害历史信息管理：该功能采用人工录入的方式将灾害历史信息录入数据库，并提供对于数据库相关表的增删改查操作，实现对于灾害历史信息的管理。而每一次灾情出现并完成救援任务后，系统在决策分析过程中采集和产生的数据则自动的录入数据库，成为历史信息。(2)灾害救援信息管理：该功能模块实现对灾害事件的构建和对灾害人员伤亡情况的预测。模块收集足够的录入灾害信息构建完整的灾害事件对象，通过Hibernate关系对象映射机制将事件存储于数据库中，实现对于灾害事件的高效管理。另外，模块通过构建多个预测模型服务建立适用于不同灾害类型下伤员数量、伤情、伤类、伤势等数据的预测模型，供Struts控制器进行相关服务调用。(3)救灾应急预案管理：应急预案的生成依赖于对灾害人员伤亡情况的预测结果，因此，通过建立预测结果与预案内容的映射关系，实现预案的快速生成。同时，通过对最新灾情信息的获取，人工可对预案内容进行修正，保证预案与实际救灾需求相符。(4)救灾调度信息管理：该模块实现依据应急预案内容对救灾人员信息和救灾装备、药材等信息进行查询、筛选操作，生成救灾人员和物资清单。根据路径规划算法并结合GIS技术生成救援路径，最后将调度信息通过云推送的方式下达给相关人员。(5)救灾人员信息管理：通过与现有的医护人员信息资料库对接获取救灾人员信息，并提供对于人员信息的常规管理操作，为救灾调度管理提供人力资源数据支持。(6)救灾物资管理：通过与现有的救灾物资信息资料库对接获取救灾装备、药材信息，并支持人工录入，提供对于物资信息的常规管理操作，为救灾调度管理提供物资资源数据支持。
系统的工作流程如图4所示：用户登录本系统后，通过Web界面进行相关操作，完成工作流程。信息的录入包括灾害实时信息手工录入和外部关联信息(从外部系统接口获取数据和从微博社区爬取数据)的采集，据此进行信息的清洗转换、存储和分析处理。以处理后的信息为依据构建完整的事件对象，通过灾害所致人员伤亡预测模型的运行对伤员数量、伤情、伤类、伤势等数据进行初步评估，并基于预测结果生成灾害应急预案。系统依据预案内容进行相关的人员和物资调度，在灾后第一时间形成更有针对性的救援力量，快速投入救灾工作。
本系统是用于灾后的伤情评估与救援决策，只有获得清晰准确的灾情信息才能有效决策及救援响应，因此系统功能实现的难点如下：(1)灾情信息复杂：灾害具有广泛性、频繁性、不可重复性及不确定性等特点，每一种灾害又具有各自的特点，致使评估方式、伤病种类和救援方式等都不同，因此建立灾情预测模型较困难。(2)获取的灾害信息少：灾害(如地震)发生后，造成的灾害情形往往比较复杂，同时灾后通信、交通的中断或堵塞，使得灾情信息的获取和上报受到很大的制约，造成获取信息量少。(3)灾情信息的准确及可靠性：系统在灾后获取的信息在具体细节和实际情况会有较大偏差，灾情信息不够完整、准确，不能客观反映灾区实际。针对这些难点，该系统的应对策略如下：(1)对各类灾害进行区分：由于灾情信息复杂，使用一个通用的灾情预测模型不太现实。本系统将依据各类灾害的特点分别建立灾害预测模型，并综合引入广泛的灾情实时信息进行灾害规模预测，提高系统灾情预测的准确度和可靠性。(2)采用多渠道获取灾害信息：在该系统中采用3种方式获取信息，分别是网络爬虫(获取微博、社区等相关网站的灾害信息)、外部接口(如地震局及气象局等发布的信息)及手工录入。这可以丰富信息的来源，增加信息的获取量。(3)采用MapReduce技术处理数据：系统在灾后获取的灾害信息，采用MapReduce技术处理，对信息进行汇总筛选，提高数据的可用性和准确性，为伤情评估提供数据支撑，为救援响应提供必要的依据。
另外，为了提高伤情评估的准确性，系统还引入专家干预的策略。在系统自动生成伤情评估报告后，可交付专家审核，专家根据以往经验判断评估是否合理，可调整相关参数对评估结果进行修正。保证评估的精度。
本系统是信息科学与救援医学的交叉成果，在信息技术的选择上，既需要考虑到信息方法的先进性与可及性，更要满足救援医学高效评估、有效抽组的要求。因此，我们采用了网络爬虫、WebGIS和云推送等主要技术。灾害伤情评估往往需要大量的信息支撑，不仅需要关注国家综合风险的相关网站(包括新闻类、政府类、专业类、灾害数据库类、知识科普类和主题论坛类等)正式发布的信息，随着互联网的发展和大数据时代的到来，微博、社区等有代表性的网络形式更是直接反映了广大网民对身边大事和环境的了解与观点[4]，因此选择网络爬虫技术，通过半人工的方式，抓取官方和民间的相关信息，这是了解和分析复杂网络和社会行为的无比重要的资源，也是信息的有效来源。特别的，今年来多个自然地质灾害引发的微博热议，可在海量的事件热议数据中发掘出有效信息，例如灾区的交通情况、灾区的医药器材缺乏情况，可有效支撑应急救援方案中相关内容的生成。随着我国救援实力的增加，医疗救援往往遍布全球多地，因此选择WebGIS技术，它的优点是可以快速采集、存储、管理、分析和描述整个或部分地球表面与空间和地理分布有关数据，并且访问范围广泛、平台独立性强、开发成本低[5]，适于对灾害袭击后地域分布、地理地貌、灾害轨迹等信息进行建模与描述[6]，并且为制定合理的救援路线提供数据支持。移动云推送服务是指服务器定向将信息实时送达手机的服务[7]。通过这种技术的运用，可以将相关指挥调度信息快速发送到救援单兵的移动终端上，既可以大大节省了手机资源，也能够增强单兵对复杂灾害救援的全局性了解与实时性应对能力，提高救援队整体的指挥调度水平。
救灾的关键是救人、救人的关键是抢救危重伤员、减少死亡率和伤残率。重大灾害发生早期(通常24 h内)快速、准确地估计与灾害直接破坏相关的重伤人数是迅速部署救援力量、挽救生命的决策基础[8,9]。但是，由于灾害系统的发生、衍化都具有相当复杂的特征，如有序化、跳跃性、不可定性、模糊性等特征，这些特征都是传统牛顿力学所不能描述的[10]，因此灾害所致人员伤亡的评估更是整个灾害系统研究中的难点，目前大多数灾害尚缺乏灾后早期实时伤亡评估的有效手段。这里以玉树地震为例，采用线性回归原理介绍评估伤亡人员的方法[11]，首先对所选数据进行线性回归分析，然后建立人员伤亡预测模型：
其中Md1表示预测区的死亡人数；Mh1表示预测区的受伤人数；A1表示房屋倒塌面积；A2表示房屋严重破坏面积；A3表示房屋一般破坏面积；η表示预测区室内人口密度ni表示时间调整系数，地震发生在白天ni＝1，发生在晚上ni＝1.4；0.037 2、0.014 9及0.002 34等表示回归系数，根据统计分析得到的。玉树的震级为7.1，震时是07∶49，死亡人数2 968，受伤人数121 315，倒塌面积为1 839 510 m2，人均居住面积是22.71 m2。通过上述公式预测得到的死亡人数为3 013，受伤人数为9 801，与实际情况比较接近。
在现实中，灾害发生后造成人员伤亡的因素很多，伤亡的预测会与实际有较大的偏差(如2014年8月3日云南鲁甸县的6.5级地震，地震造成如此重大的伤亡超出预期)。因此本系统的伤亡评估将采用定量与定性评价、资料分析与遥感法相结合等多种综合手段，对于历史文献或实践文档记载明确、详实的灾害，如地震、核事故等，采用定量评估早期伤亡人数[12,13]；对于灾害所致伤亡人数不易预测，但所致伤型特殊的灾害，如洪涝灾害、森林火灾，评估的重点在于定性描述早期伤病种类、数量及其时间、空间分布情况，此外，遥感GIS手段获得的数据主要用于灾害的调查和动态监测，如沙尘灾害、火山监测等。随着新技术手段的不断出现与进步，课题组也将继续围绕伤情评估进行专题研究，以进一步为提高系统运行质量提供更为准确和科学的数据基础。
灾害伤情评估与救援决策支持系统能够整合多个部门及其他社会机构关于灾害事件的信息，通过分析灾情相关的大量数据来生成伤情评估报告及产生救援应急预案，从而为减灾救援提供有效的决策依据及救援方案[14,15]，具有良好的应用前景和推广价值。
