人工智能在急診分診決策中的應用現狀

劉曉穎，田麗源，高 健，劉夢曉，劉愛輝，周文華

（北京協和醫院,北京100730）

隨著急診科負擔不斷增加，科學地急診分診（triage）成為保證急診科正常就診秩序，確保需要立即就醫病人得到緊急救治的關鍵。自18 世紀戰場分診系統到20 世紀世界各國急診分診系統軟件的開發與應用，再到近些年急診分診大數據與人工智能技術的發展，急診分診逐步規范、智能、準確[1]。目前世界急診預檢分診工作多由急診分診護士完成，因此需要急診分診護士具備良好的急診分診決策能力，能夠在借助人工智能分診系統的基礎上，綜合考慮病人病情，做到“慧眼”識危。為了提高急診分診護士的臨床決策能力，并探究輔助分診護士進行決策的智能工具，以實現急診分診智能化、準確性，最大限度地保障危重病人的救治成功率和降低風險事件，本研究對國內外急診分診發展趨勢、分診系統中的人工智能（AI）模型、人工智能在分診系統中的應用以及人工智能急診分診中護士能力的需求進行綜述，現報道如下。

1 國內外急診分診發展趨勢

急診分診是指對急診病人進行快速評估、根據其危急程度進行優先順序的分級。分診起源于18 世紀的戰場分診系統，目的是解決戰場中受傷士兵救治先后順序，級別為3 級。如今，隨著分診意識和醫療能力提高，各國分診系統快速發展，其中具有代表性的有澳大利亞預檢標尺(Australasian Triage Scale，ATS)、美國急診嚴重度指數(Emergency Severity Index，ESI)、英國曼徹斯特預檢標尺(Manchester Triage Scale，MTS)、加拿大急診預檢標尺(Canadian Triage and Acuity Scale，CTAS)、南 非 海 角 預 檢 標 尺(The Cape Triage Scale，CTS)及其改良后南非預檢分診標尺(The South Africa Triage Scale，SATS)、瑞士日內瓦急診預檢標尺(The Geneva Emergency Triage Scale，GETS)等。ATS 為國際上第1 個規范的5 級預檢分診標準[2-3]，對后來加拿大、英國、美國等國家分診標準的制訂產生了很大影響，但其使用范疇和分診清晰度存在限制[4-6]。ESI 側重于將敏度分級與醫療資源使用相結合進行預檢分診，此分診方法與傳統3 級分診模式相比，在預設的醫療資源分配和住院率方面具有優勢[7-8]。盡管其有5 個不同的敏感度水平，但仍存在不足與挑戰[9]，如護士評出的ESI 評分與參考標準的一致性普遍較差，變異性較高；ESI 的第3 級分診存在缺陷，未能將此分級中需要更緊急的治療群體進行區分。MTS 在英國及歐洲地區廣泛使用，其由分診護士以采集到的病人主訴、癥狀和體征為依據，套用到50 多種流程圖中實現5 級分級。有研究認為，MTS 的可靠性較高，內部一致性好，敏感性和特異性較好，能應用于不同人群[10-11]；其可以有效預測病人的短期預后，但也存在過度分診或分診不足的問題。CTAS 是在ATS基礎上制定實施的，具有適用人群范圍廣的優點，其與ATS 相比內容更加客觀、科學。

我國急診分診系統發展較晚且較慢，全國分診系統發展水平存在較大差異和地區特點，幾十年來急診科一直沿用“經驗分診模式”，分診護士的經驗即為分診“標準”，缺乏統一的預檢分診標準和具體的實施細則。2006 年，我國臺灣急診醫學協會和臺灣危重癥護理協會在征得加拿大CTAS 工作小組同意后，結合臺灣本土現狀及需求，制訂了5 級臺灣檢傷和急迫度標準(Taiwan Triage and Acuity Scale，TTA），并利用電子決策支持工具予以推行[12]。2011 年8 月，我國衛生部發布《急診病人病情分級試點指導原則(征求意見稿)》，提出結合國際分類標準以及我國大中城市綜合醫院急診醫學科現狀，根據病人病情危重程度和病人所需醫療資源情況，將急診病人病情分為4 級。2012 年9 月我國首部《醫院急診科規范化流程》(WS/T 390—2012)發布，并于2013 年2 月1 日起正式實施。《醫院急診科規范化流程》作為我國首部急診科行業規范，規定了預檢分診的相關內容，但沒有發布配套的實施細則，缺乏明確的區分病人病情危重程度的分診指標，可操作性不高[13-14]。2018 年，我國發布《急診預檢分診專家共識》[15]，旨在進一步規范、統一全國的分診系統，并指導全國急診分診工作的開展。可見，近年來我國在急診分診標準方面已有一定發展，但與其他國家相比仍存在不足，有較大發展空間，如仍需在分診標準的建立、分診系統電子化建設以及大數據和人工智能發展方面給予關注，從而更加精準、高效、安全地識別急危重癥病人和有效應用急診資源。

2 分診系統中的人工智能模型

人工智能是研究計算機系統能夠執行的任務，其與機器學習（ML）機制相同，通過這個機制，人工智能系統可以創建、開發算法，修改自己的反應模式，并應用于新數據進行推斷[16]。目前，人工智能的實用性已經在放射學、神經外科、皮膚科和眼科等醫學領域得以證明，其可能與醫生能力相當，也可能在某些情況下超出醫生的能力[17]。急診分診的主要目的是準確區分危重病人和穩定病人，尤其是在擁擠的急診環境中，分診通常是在有限的信息中快速完成。將人工智能運用于急診分診的開發有利于快速解釋臨床數據，并對病人進行分類和結果預測，其可直接影響成本、效率和護理質量。當前，分診系統中涉及的重要人工智能模型如下。

2.1 基于計算機的電子分類系統(ETS） ETS[18]由一臺機器自動完成，它給出了分診級別評分，能夠更好地對ESI 的3 級分診病人進行分類，尤其是能夠預測出需要調整級別或需要重癥監護及緊急救治的急危重癥 病 人。1 項ETS 與ESI 分 診 系 統 研 究 顯 示：ETS 可以根據綜合評估死亡率、重癥監護病房入院率、轉至手術室或導管室的概率評估病人，且根據病人危重程度、預后、住院時間和資源利用情況將ETS 與ESI 進行比較，結果證實ETS 在病人臨床結局分布和資源利用方面有優勢。由于分診人員根據病人特征、臨床病史等也可以得出電子分類系統結論，故認為ETS 并不能取代分診人員。

2.2 機器學習模型 有研究者對機器學習模型（Lasso回歸、隨機森林、梯度增強決策樹和深層神經網絡）在分診中的應用效果進行研究，結果顯示：機器學習模型與5 層ESI 數據構建的Logistic 回歸模型相比，在預測ESI 的1～3 級(即時到緊急)過度分診、重癥監護和住院治療結果方面效果較好[19-20]。提示，將機器學習模型應用于醫院分診工作，不僅可以增強臨床護士分診決策能力，還可以使臨床護理資源利用情況得以進一步優化。

2.3 悉尼預檢分診工具（Sydney Triage to Admission Risk Tool，START） START[21]是一種基于Logistic回歸的預測工具，旨在幫助護理人員進行急診處置決策。START2 通過將機器學習算法應用于原始數據集擴展了START 的急診處置決策功能，其最初性能與START 相當，但隨著對問題的詳細分類，START2性能逐漸改善，為電子病歷中納入和分析更復雜的變量提供可能，有利于幫助護理人員做出處置決定和病人安排。

2.4 急診醫學文本分類器[22]急診預檢分診是以病人主訴和癥狀體征為主要依據進行危重程度判斷和分診分級，而依據醫學文本分類器自動證候群對病人主訴、癥狀、體征進行科學歸納與分類，是利用急診數據，實時監測病人癥狀、體征及病情變化，從而在疾病暴發早期發出預警。此系統是利用向量空間模型和1 個使用偽相關反饋機制的“學習”模塊，將帶有分流注的急診病歷記錄自動分類為一個或多個綜合征類別。標準證候群的術語用于構造初始參考詞典，以生成證候和分類注記向量，之后根據向量之間的余弦相似性，將每條記錄劃分為一個證候類別，然后從屬于興趣綜合征的頂級記錄中提取術語作為反饋。這些術語被添加到參考詞典中，重復此過程以確定最終分類。該系統可以根據用戶需求進行調整，以實現對不同分診級別病人的預警效果和臨床結局的預判。

2.5 自然語言處理(NLP)模型 有研究者[23]從臨床記錄中抽取常見診斷，通過NLP 實現對病人疾病種類的及時識別，如在病人就診最初幾小時訪問病人病例資料進行疾病種類鑒別，其對膿毒癥[24]、急性闌尾炎和流感的識別已被證實具有較高的準確性。

2.6 臺灣醫院的最佳預測模型 臺灣醫院的最佳預測模型即基于急診病人醫療過程和分診狀況，收集病人主訴、生命體征等相關臨床信息，建立分診預測模型[25-26]。一方面，通過分診預測模型可以識別具有臨床診斷意義的各項參數；另一方面，通過數據挖掘預測模型可以有效預測異常檢測和分類。該模型涉及主成分分析(PCA)和支持向量機(SVM)相結合技術，異常狀況預測準確率可達100%，優于SVM(約89.2%)和反向傳播神經網絡(BPNN)(96.71%)準確率；其次，該模型采用支持向量回歸(SVR)方法，用遺傳算法(GA)確定3 個SVR 參數，進行臨床結局分類；在使用滾動數據預測值之后，該模型會計算每個滾動數據的絕對百分誤差(APE)，得到SVR 平均絕對誤差(MAPE)為3.78%，BPNN 平均絕對誤差(MAPE)為5.99%。說明此分類預測模型能夠有效預測異常檢測和臨床結局分類。

3 人工智能在分診系統中的應用

3.1 急診分診早期預警評分(TREWS)在急診病人住院死亡率中的應用 隨著TREWS 在急診科廣泛應用，其有效性和準確性逐漸得到證實。Lee 等[27]研究顯示：TREWS 對病人住院24 h、48 h、7 d 及30 d 的死亡率預測準確率高于早期預警評分(National Early Warning Score,NEWS)、改良早期預警評分（Modified Early Warning Score,MEWS）等，在預測臨床最終結局方面具有較好效能。

3.2 臨床圖形及電生理信息在急診病人緊急血液運輸重建中的應用 早期血液運輸重建對急性冠狀動脈綜合征病人病情評估意義重大，但緊急血液運輸重建病人的確定方法并不明確。心電圖是一種相對簡單、快速的需緊急血液運輸重建病人的篩選方法，但它可能缺失一些即使是訓練有素的醫生也無法識別的重要信息，可能造成病人識別錯誤或遺漏，因此，對急診病例記錄的12 導聯心電圖進行隱藏信息檢測，建立急診12 導聯心電圖緊急血液運輸重建預測模型十分必要[28]。

3.3 包含心率變異性的機器在預測急診危重病人心臟驟停中的應用 分診的目的之一是確定心臟驟停的高危人群，從而使該類病人能夠及早接受監測、及時給予復蘇和早期干預。從5 min 心電圖記錄中生成心率變異性（HRV）參數，將其與病人年齡和生命體征相結合，可以得出包含心率變異性的機器學習評分，有利于對急診就診危重病人進行分類，其也可用于開發基于心臟驟停臨床風險預警裝置[29]。

3.4 其他 目前，已有研究者針對不同疾病開發了相應的人工智能預測模型，如膿毒癥病人識別工具、慢性阻塞性肺疾病（COPD）病人危險預測模型、感染性休克死亡預測模型以及胸痛病人急性和延遲性心臟并發癥識別工具等[30-32]，但其預測效果仍需穩定的臨床大數據進一步驗證，并且人工智能系統在臨床應用、培訓成本、醫院系統之間的適用性以及醫療機構對人工智能的謹慎態度等諸多方面仍有挑戰。

4 人工智能急診分診中護士能力的需求

隨著科技進步和電子智能技術的發展，人工智能在醫學領域逐漸得以應用。機器學習和算法作為一種可以快速積累數據集，并從數據中進一步提取信息、優化計算，從而提供更好的醫療、護理服務方法，主要是作為幫助臨床工作人員提供更精準、高效的臨床決策支持的輔助技術而存在，增強臨床工作人員自身能力，仍是提高急診分診質量的重要途徑。

4.1 急診分診護士應具備良好的臨床決策能力 隨著急診病人就診量逐年增加，急診擁擠程度日益加劇。急診病人就診的首要程序是經過急診分診護士的診療，急診分診護士的臨床決策能力直接影響著急診醫療質量和病人安全。急診護士接診病人時，會面臨病人病情不確定、臨床病例資料不足、評估時間緊迫、大量病人擁擠等問題，電子信息和人工智能分診系統的開發與應用，可以最大限度地輔助急診護士進行臨床決策，但是否能真正提高急診分診質量仍取決于分診人員的臨床決策能力。Moon 等[33]研究后認為，急診分診人員應具備的臨床決策能力包括準確的臨床判斷能力、專業評估能力、醫療資源管理能力、病人病情及時有效處理能力和溝通能力。Anna 等[34]研究后認為，病人到達急診科時，分診護士要迅速對他們進行評估，立即發現任何危及生命的緊急情況；分診護士要收集有價值的信息，然后根據每個病人病情的緊急程度對其進行排序；分診護士還要負責維持病人就診秩序，確保候診病人安全；分診護士往往是病人和家屬進入醫院第1 個見到的人，因此，必須有出色的溝通技巧，以便病人及時得到應有的幫助。

4.2 急診分診護士應具有“慧眼”識危能力 目前，我國急診分診研究仍處于初級階段，全國急診分診方法不統一，對分診護士的培訓存在局限性。多數護理管理者認為，急診護士預檢分診決策能力與急診科工作經驗相關，與護士主觀能動性相關性較低，加之傳統培養方式缺乏主動性，護士成長速度慢，導致急診分診護士“慧眼”識危能力提升空間較大。Hammad 等[35]對湖南長沙13 所醫院急診調查結果顯示：僅50.8%的分診護士接受過專門的分診培訓，且大多是在科室、培訓班或會議上，表明湖南地區的分診培訓有待加強。趙潔等[36]研究后發現，上海地區只有55.7%的病人認為預檢護士分診的科室符合其醫療需求，說明上海護士預檢分診能力有待提高。趙源源等[37]研究結果顯示：我國急診分診護士分診決策能力得分較低，影響因素包括職稱、高級別進修情況、急診相關證書認證以及高級別病例討論參加情況等。姜鮮銀等[38]總結提高分診能力的建議，認為應健全分診能力培訓系統、完善分診質量評價體系、規范分診標準、開發現代化分診工具。可見，建立一個完善、系統、科學的培訓機制，提高分診護士“慧眼”識危能力，仍是今后進一步研究的課題。

5 小結

急診分診的目標是將病人的需求與可用的資源相匹配，從而最大限度地滿足病人需求[39]。急診分診系統的開發有利于滿足不同環境、不同人群的健康照護需求，幫助分診護士更精準和靈敏地確定病人優先級。現代急診分診的重任落在急診護士身上，他們需要借助人工智能來更好地管理急診病人流動和保障病人安全[39-40]。