人工智能在医院急诊科分诊中的应用：一项范围综述

作者与发表信息
本文由美国Nova Southeastern大学Dr. Kiran C. Patel骨科医学院的Samantha Tyler、Matthew Olis等多位学者合作完成，通讯作者为Robin J. Jacobs。论文于2024年5月8日发表在开放获取期刊*Cureus*（DOI: 10.7759/cureus.59906），标题为《Use of Artificial Intelligence in Triage in Hospital Emergency Departments: A Scoping Review》。

研究背景与主题
急诊科（Emergency Department, ED）面临患者流量激增、资源分配紧张等问题，传统分诊系统依赖护士主观判断，存在效率与准确性不足的挑战。人工智能（Artificial Intelligence, AI）和机器学习（Machine Learning, ML）因其数据处理与模式识别能力，成为优化分诊流程的研究热点。本文旨在系统综述2013-2023年间美国期刊发表的AI/ML在急诊分诊中的应用，明确其潜在效益与研究空白。

主要核心观点与论据
1. ML模型分诊效能优于传统系统
- 研究表明，ML模型在疾病识别、风险分层和资源分配中显著优于传统方法。例如，Gao等（2022）开发的XGBoost算法预测分诊级别的准确率达80.2%，而Raita等（2019）发现ML模型对重症患者的误分诊率（0.9%）低于传统系统（1.2%）。
- 支持证据：6项研究显示ML能减少低危患者的过度分诊和高危患者的漏诊，并通过增强敏感性（如Xiao等2023年模型的敏感性达84.08%）优化急诊流程。

1. AI提升疾病预测与临床结局管理

   • AI在脓毒症（Lin等2021）、创伤性脑损伤（Hsu等2021）等急症早期识别中表现突出。Chen等（2023）的模型预测ICU转入的敏感性（0.95）显著高于急诊医生（0.41）。
     
   • 数据支持：Chang等（2022）的XGBoost模型对插管等6种关键干预的预测AUC（Area Under the Curve，曲线下面积）达0.909-0.962；Lu等（2022）的模型预测心脏骤停的AUC为0.931。

2. 住院决策与资源分配的优化

   • ML可精准预测患者住院需求（如Hong等2018年模型AUC>0.90），缩短等待时间。Lee S.（2023）的神经网络预测住院时长的AUC为0.81，助力床位管理。
     
   • 案例：Patel（2018）对儿童哮喘住院需求的预测模型（AUC 0.85）被证实可动态调整资源优先级。

3. 技术与伦理挑战并存

   • 尽管AI表现优异，但单中心数据（29项研究中有14项样本>10万）、回顾性设计可能限制泛化性。伦理问题如数据共享、FDA审批（如KATE™算法需临床验证）仍需规范。
     
   • 局限性：Ivanov等（2021）指出，护士经验差异可能影响AI与传统分诊的对比结果。

综述意义与价值
1. 学术价值：首次系统整合AI在急诊分诊中的多领域应用，揭示ML在敏感性和效率上的优势，为未来研究提供方向性框架（如多中心前瞻性验证）。
2. 临床价值：提出AI可作为分诊护士的决策支持工具，通过实时数据分析降低人为偏差，缓解急诊拥堵（如每年1.31亿美国急诊就诊的19%需住院）。

亮点总结
- 创新性：涵盖29项研究，对比LR（Logistic Regression，逻辑回归）、XGBoost等8种算法性能，突出XGBoost在干预预测中的稳定性。
- 实用性：提出“虚拟（算法）与物理（设备）”AI整合路径（如远程分诊系统ART），推动急诊数字化。

未尽议题
需进一步探索AI与临床工作流的无缝衔接，以及医生对AI建议的信任度机制（如Chen等提及的实时反馈系统）。