人工智能在急诊分诊决策中的应用现状

刘晓颖，田丽源，高 健，刘梦晓，刘爱辉，周文华

（北京协和医院,北京100730）

随着急诊科负担不断增加，科学地急诊分诊（triage）成为保证急诊科正常就诊秩序，确保需要立即就医病人得到紧急救治的关键。自18 世纪战场分诊系统到20 世纪世界各国急诊分诊系统软件的开发与应用，再到近些年急诊分诊大数据与人工智能技术的发展，急诊分诊逐步规范、智能、准确[1]。目前世界急诊预检分诊工作多由急诊分诊护士完成，因此需要急诊分诊护士具备良好的急诊分诊决策能力，能够在借助人工智能分诊系统的基础上，综合考虑病人病情，做到“慧眼”识危。为了提高急诊分诊护士的临床决策能力，并探究辅助分诊护士进行决策的智能工具，以实现急诊分诊智能化、准确性，最大限度地保障危重病人的救治成功率和降低风险事件，本研究对国内外急诊分诊发展趋势、分诊系统中的人工智能（AI）模型、人工智能在分诊系统中的应用以及人工智能急诊分诊中护士能力的需求进行综述，现报道如下。

1 国内外急诊分诊发展趋势

急诊分诊是指对急诊病人进行快速评估、根据其危急程度进行优先顺序的分级。分诊起源于18 世纪的战场分诊系统，目的是解决战场中受伤士兵救治先后顺序，级别为3 级。如今，随着分诊意识和医疗能力提高，各国分诊系统快速发展，其中具有代表性的有澳大利亚预检标尺(Australasian Triage Scale，ATS)、美国急诊严重度指数(Emergency Severity Index，ESI)、英国曼彻斯特预检标尺(Manchester Triage Scale，MTS)、加拿大急诊预检标尺(Canadian Triage and Acuity Scale，CTAS)、南 非 海 角 预 检 标 尺(The Cape Triage Scale，CTS)及其改良后南非预检分诊标尺(The South Africa Triage Scale，SATS)、瑞士日内瓦急诊预检标尺(The Geneva Emergency Triage Scale，GETS)等。ATS 为国际上第1 个规范的5 级预检分诊标准[2-3]，对后来加拿大、英国、美国等国家分诊标准的制订产生了很大影响，但其使用范畴和分诊清晰度存在限制[4-6]。ESI 侧重于将敏度分级与医疗资源使用相结合进行预检分诊，此分诊方法与传统3 级分诊模式相比，在预设的医疗资源分配和住院率方面具有优势[7-8]。尽管其有5 个不同的敏感度水平，但仍存在不足与挑战[9]，如护士评出的ESI 评分与参考标准的一致性普遍较差，变异性较高；ESI 的第3 级分诊存在缺陷，未能将此分级中需要更紧急的治疗群体进行区分。MTS 在英国及欧洲地区广泛使用，其由分诊护士以采集到的病人主诉、症状和体征为依据，套用到50 多种流程图中实现5 级分级。有研究认为，MTS 的可靠性较高，内部一致性好，敏感性和特异性较好，能应用于不同人群[10-11]；其可以有效预测病人的短期预后，但也存在过度分诊或分诊不足的问题。CTAS 是在ATS基础上制定实施的，具有适用人群范围广的优点，其与ATS 相比内容更加客观、科学。

我国急诊分诊系统发展较晚且较慢，全国分诊系统发展水平存在较大差异和地区特点，几十年来急诊科一直沿用“经验分诊模式”，分诊护士的经验即为分诊“标准”，缺乏统一的预检分诊标准和具体的实施细则。2006 年，我国台湾急诊医学协会和台湾危重症护理协会在征得加拿大CTAS 工作小组同意后，结合台湾本土现状及需求，制订了5 级台湾检伤和急迫度标准(Taiwan Triage and Acuity Scale，TTA），并利用电子决策支持工具予以推行[12]。2011 年8 月，我国卫生部发布《急诊病人病情分级试点指导原则(征求意见稿)》，提出结合国际分类标准以及我国大中城市综合医院急诊医学科现状，根据病人病情危重程度和病人所需医疗资源情况，将急诊病人病情分为4 级。2012 年9 月我国首部《医院急诊科规范化流程》(WS/T 390—2012)发布，并于2013 年2 月1 日起正式实施。《医院急诊科规范化流程》作为我国首部急诊科行业规范，规定了预检分诊的相关内容，但没有发布配套的实施细则，缺乏明确的区分病人病情危重程度的分诊指标，可操作性不高[13-14]。2018 年，我国发布《急诊预检分诊专家共识》[15]，旨在进一步规范、统一全国的分诊系统，并指导全国急诊分诊工作的开展。可见，近年来我国在急诊分诊标准方面已有一定发展，但与其他国家相比仍存在不足，有较大发展空间，如仍需在分诊标准的建立、分诊系统电子化建设以及大数据和人工智能发展方面给予关注，从而更加精准、高效、安全地识别急危重症病人和有效应用急诊资源。

2 分诊系统中的人工智能模型

人工智能是研究计算机系统能够执行的任务，其与机器学习（ML）机制相同，通过这个机制，人工智能系统可以创建、开发算法，修改自己的反应模式，并应用于新数据进行推断[16]。目前，人工智能的实用性已经在放射学、神经外科、皮肤科和眼科等医学领域得以证明，其可能与医生能力相当，也可能在某些情况下超出医生的能力[17]。急诊分诊的主要目的是准确区分危重病人和稳定病人，尤其是在拥挤的急诊环境中，分诊通常是在有限的信息中快速完成。将人工智能运用于急诊分诊的开发有利于快速解释临床数据，并对病人进行分类和结果预测，其可直接影响成本、效率和护理质量。当前，分诊系统中涉及的重要人工智能模型如下。

2.1 基于计算机的电子分类系统(ETS） ETS[18]由一台机器自动完成，它给出了分诊级别评分，能够更好地对ESI 的3 级分诊病人进行分类，尤其是能够预测出需要调整级别或需要重症监护及紧急救治的急危重症 病 人。1 项ETS 与ESI 分 诊 系 统 研 究 显 示：ETS 可以根据综合评估死亡率、重症监护病房入院率、转至手术室或导管室的概率评估病人，且根据病人危重程度、预后、住院时间和资源利用情况将ETS 与ESI 进行比较，结果证实ETS 在病人临床结局分布和资源利用方面有优势。由于分诊人员根据病人特征、临床病史等也可以得出电子分类系统结论，故认为ETS 并不能取代分诊人员。

2.2 机器学习模型 有研究者对机器学习模型（Lasso回归、随机森林、梯度增强决策树和深层神经网络）在分诊中的应用效果进行研究，结果显示：机器学习模型与5 层ESI 数据构建的Logistic 回归模型相比，在预测ESI 的1～3 级(即时到紧急)过度分诊、重症监护和住院治疗结果方面效果较好[19-20]。提示，将机器学习模型应用于医院分诊工作，不仅可以增强临床护士分诊决策能力，还可以使临床护理资源利用情况得以进一步优化。

2.3 悉尼预检分诊工具（Sydney Triage to Admission Risk Tool，START） START[21]是一种基于Logistic回归的预测工具，旨在帮助护理人员进行急诊处置决策。START2 通过将机器学习算法应用于原始数据集扩展了START 的急诊处置决策功能，其最初性能与START 相当，但随着对问题的详细分类，START2性能逐渐改善，为电子病历中纳入和分析更复杂的变量提供可能，有利于帮助护理人员做出处置决定和病人安排。

2.4 急诊医学文本分类器[22]急诊预检分诊是以病人主诉和症状体征为主要依据进行危重程度判断和分诊分级，而依据医学文本分类器自动证候群对病人主诉、症状、体征进行科学归纳与分类，是利用急诊数据，实时监测病人症状、体征及病情变化，从而在疾病暴发早期发出预警。此系统是利用向量空间模型和1 个使用伪相关反馈机制的“学习”模块，将带有分流注的急诊病历记录自动分类为一个或多个综合征类别。标准证候群的术语用于构造初始参考词典，以生成证候和分类注记向量，之后根据向量之间的余弦相似性，将每条记录划分为一个证候类别，然后从属于兴趣综合征的顶级记录中提取术语作为反馈。这些术语被添加到参考词典中，重复此过程以确定最终分类。该系统可以根据用户需求进行调整，以实现对不同分诊级别病人的预警效果和临床结局的预判。

2.5 自然语言处理(NLP)模型 有研究者[23]从临床记录中抽取常见诊断，通过NLP 实现对病人疾病种类的及时识别，如在病人就诊最初几小时访问病人病例资料进行疾病种类鉴别，其对脓毒症[24]、急性阑尾炎和流感的识别已被证实具有较高的准确性。

2.6 台湾医院的最佳预测模型 台湾医院的最佳预测模型即基于急诊病人医疗过程和分诊状况，收集病人主诉、生命体征等相关临床信息，建立分诊预测模型[25-26]。一方面，通过分诊预测模型可以识别具有临床诊断意义的各项参数；另一方面，通过数据挖掘预测模型可以有效预测异常检测和分类。该模型涉及主成分分析(PCA)和支持向量机(SVM)相结合技术，异常状况预测准确率可达100%，优于SVM(约89.2%)和反向传播神经网络(BPNN)(96.71%)准确率；其次，该模型采用支持向量回归(SVR)方法，用遗传算法(GA)确定3 个SVR 参数，进行临床结局分类；在使用滚动数据预测值之后，该模型会计算每个滚动数据的绝对百分误差(APE)，得到SVR 平均绝对误差(MAPE)为3.78%，BPNN 平均绝对误差(MAPE)为5.99%。说明此分类预测模型能够有效预测异常检测和临床结局分类。

3 人工智能在分诊系统中的应用

3.1 急诊分诊早期预警评分(TREWS)在急诊病人住院死亡率中的应用 随着TREWS 在急诊科广泛应用，其有效性和准确性逐渐得到证实。Lee 等[27]研究显示：TREWS 对病人住院24 h、48 h、7 d 及30 d 的死亡率预测准确率高于早期预警评分(National Early Warning Score,NEWS)、改良早期预警评分（Modified Early Warning Score,MEWS）等，在预测临床最终结局方面具有较好效能。

3.2 临床图形及电生理信息在急诊病人紧急血液运输重建中的应用 早期血液运输重建对急性冠状动脉综合征病人病情评估意义重大，但紧急血液运输重建病人的确定方法并不明确。心电图是一种相对简单、快速的需紧急血液运输重建病人的筛选方法，但它可能缺失一些即使是训练有素的医生也无法识别的重要信息，可能造成病人识别错误或遗漏，因此，对急诊病例记录的12 导联心电图进行隐藏信息检测，建立急诊12 导联心电图紧急血液运输重建预测模型十分必要[28]。

3.3 包含心率变异性的机器在预测急诊危重病人心脏骤停中的应用 分诊的目的之一是确定心脏骤停的高危人群，从而使该类病人能够及早接受监测、及时给予复苏和早期干预。从5 min 心电图记录中生成心率变异性（HRV）参数，将其与病人年龄和生命体征相结合，可以得出包含心率变异性的机器学习评分，有利于对急诊就诊危重病人进行分类，其也可用于开发基于心脏骤停临床风险预警装置[29]。

3.4 其他 目前，已有研究者针对不同疾病开发了相应的人工智能预测模型，如脓毒症病人识别工具、慢性阻塞性肺疾病（COPD）病人危险预测模型、感染性休克死亡预测模型以及胸痛病人急性和延迟性心脏并发症识别工具等[30-32]，但其预测效果仍需稳定的临床大数据进一步验证，并且人工智能系统在临床应用、培训成本、医院系统之间的适用性以及医疗机构对人工智能的谨慎态度等诸多方面仍有挑战。

4 人工智能急诊分诊中护士能力的需求

随着科技进步和电子智能技术的发展，人工智能在医学领域逐渐得以应用。机器学习和算法作为一种可以快速积累数据集，并从数据中进一步提取信息、优化计算，从而提供更好的医疗、护理服务方法，主要是作为帮助临床工作人员提供更精准、高效的临床决策支持的辅助技术而存在，增强临床工作人员自身能力，仍是提高急诊分诊质量的重要途径。

4.1 急诊分诊护士应具备良好的临床决策能力 随着急诊病人就诊量逐年增加，急诊拥挤程度日益加剧。急诊病人就诊的首要程序是经过急诊分诊护士的诊疗，急诊分诊护士的临床决策能力直接影响着急诊医疗质量和病人安全。急诊护士接诊病人时，会面临病人病情不确定、临床病例资料不足、评估时间紧迫、大量病人拥挤等问题，电子信息和人工智能分诊系统的开发与应用，可以最大限度地辅助急诊护士进行临床决策，但是否能真正提高急诊分诊质量仍取决于分诊人员的临床决策能力。Moon 等[33]研究后认为，急诊分诊人员应具备的临床决策能力包括准确的临床判断能力、专业评估能力、医疗资源管理能力、病人病情及时有效处理能力和沟通能力。Anna 等[34]研究后认为，病人到达急诊科时，分诊护士要迅速对他们进行评估，立即发现任何危及生命的紧急情况；分诊护士要收集有价值的信息，然后根据每个病人病情的紧急程度对其进行排序；分诊护士还要负责维持病人就诊秩序，确保候诊病人安全；分诊护士往往是病人和家属进入医院第1 个见到的人，因此，必须有出色的沟通技巧，以便病人及时得到应有的帮助。

4.2 急诊分诊护士应具有“慧眼”识危能力 目前，我国急诊分诊研究仍处于初级阶段，全国急诊分诊方法不统一，对分诊护士的培训存在局限性。多数护理管理者认为，急诊护士预检分诊决策能力与急诊科工作经验相关，与护士主观能动性相关性较低，加之传统培养方式缺乏主动性，护士成长速度慢，导致急诊分诊护士“慧眼”识危能力提升空间较大。Hammad 等[35]对湖南长沙13 所医院急诊调查结果显示：仅50.8%的分诊护士接受过专门的分诊培训，且大多是在科室、培训班或会议上，表明湖南地区的分诊培训有待加强。赵洁等[36]研究后发现，上海地区只有55.7%的病人认为预检护士分诊的科室符合其医疗需求，说明上海护士预检分诊能力有待提高。赵源源等[37]研究结果显示：我国急诊分诊护士分诊决策能力得分较低，影响因素包括职称、高级别进修情况、急诊相关证书认证以及高级别病例讨论参加情况等。姜鲜银等[38]总结提高分诊能力的建议，认为应健全分诊能力培训系统、完善分诊质量评价体系、规范分诊标准、开发现代化分诊工具。可见，建立一个完善、系统、科学的培训机制，提高分诊护士“慧眼”识危能力，仍是今后进一步研究的课题。

5 小结

急诊分诊的目标是将病人的需求与可用的资源相匹配，从而最大限度地满足病人需求[39]。急诊分诊系统的开发有利于满足不同环境、不同人群的健康照护需求，帮助分诊护士更精准和灵敏地确定病人优先级。现代急诊分诊的重任落在急诊护士身上，他们需要借助人工智能来更好地管理急诊病人流动和保障病人安全[39-40]。