人工智能在急診分診決策中的應(yīng)用現(xiàn)狀

劉曉穎，田麗源，高 健，劉夢(mèng)曉，劉愛(ài)輝，周文華

（北京協(xié)和醫(yī)院,北京100730）

隨著急診科負(fù)擔(dān)不斷增加，科學(xué)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(yī)病人得到緊急救治的關(guān)鍵。自18 世紀(jì)戰(zhàn)場(chǎng)分診系統(tǒng)到20 世紀(jì)世界各國(guó)急診分診系統(tǒng)軟件的開(kāi)發(fā)與應(yīng)用，再到近些年急診分診大數(shù)據(jù)與人工智能技術(shù)的發(fā)展，急診分診逐步規(guī)范、智能、準(zhǔn)確[1]。目前世界急診預(yù)檢分診工作多由急診分診護(hù)士完成，因此需要急診分診護(hù)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(tǒng)的基礎(chǔ)上，綜合考慮病人病情，做到“慧眼”識(shí)危。為了提高急診分診護(hù)士的臨床決策能力，并探究輔助分診護(hù)士進(jìn)行決策的智能工具，以實(shí)現(xiàn)急診分診智能化、準(zhǔn)確性，最大限度地保障危重病人的救治成功率和降低風(fēng)險(xiǎn)事件，本研究對(duì)國(guó)內(nèi)外急診分診發(fā)展趨勢(shì)、分診系統(tǒng)中的人工智能（AI）模型、人工智能在分診系統(tǒng)中的應(yīng)用以及人工智能急診分診中護(hù)士能力的需求進(jìn)行綜述，現(xiàn)報(bào)道如下。

1 國(guó)內(nèi)外急診分診發(fā)展趨勢(shì)

急診分診是指對(duì)急診病人進(jìn)行快速評(píng)估、根據(jù)其危急程度進(jìn)行優(yōu)先順序的分級(jí)。分診起源于18 世紀(jì)的戰(zhàn)場(chǎng)分診系統(tǒng)，目的是解決戰(zhàn)場(chǎng)中受傷士兵救治先后順序，級(jí)別為3 級(jí)。如今，隨著分診意識(shí)和醫(yī)療能力提高，各國(guó)分診系統(tǒng)快速發(fā)展，其中具有代表性的有澳大利亞預(yù)檢標(biāo)尺(Australasian Triage Scale，ATS)、美國(guó)急診嚴(yán)重度指數(shù)(Emergency Severity Index，ESI)、英國(guó)曼徹斯特預(yù)檢標(biāo)尺(Manchester Triage Scale，MTS)、加拿大急診預(yù)檢標(biāo)尺(Canadian Triage and Acuity Scale，CTAS)、南 非 海 角 預(yù) 檢 標(biāo) 尺(The Cape Triage Scale，CTS)及其改良后南非預(yù)檢分診標(biāo)尺(The South Africa Triage Scale，SATS)、瑞士日內(nèi)瓦急診預(yù)檢標(biāo)尺(The Geneva Emergency Triage Scale，GETS)等。ATS 為國(guó)際上第1 個(gè)規(guī)范的5 級(jí)預(yù)檢分診標(biāo)準(zhǔn)[2-3]，對(duì)后來(lái)加拿大、英國(guó)、美國(guó)等國(guó)家分診標(biāo)準(zhǔn)的制訂產(chǎn)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(cè)重于將敏度分級(jí)與醫(yī)療資源使用相結(jié)合進(jìn)行預(yù)檢分診，此分診方法與傳統(tǒng)3 級(jí)分診模式相比，在預(yù)設(shè)的醫(yī)療資源分配和住院率方面具有優(yōu)勢(shì)[7-8]。盡管其有5 個(gè)不同的敏感度水平，但仍存在不足與挑戰(zhàn)[9]，如護(hù)士評(píng)出的ESI 評(píng)分與參考標(biāo)準(zhǔn)的一致性普遍較差，變異性較高；ESI 的第3 級(jí)分診存在缺陷，未能將此分級(jí)中需要更緊急的治療群體進(jìn)行區(qū)分。MTS 在英國(guó)及歐洲地區(qū)廣泛使用，其由分診護(hù)士以采集到的病人主訴、癥狀和體征為依據(jù)，套用到50 多種流程圖中實(shí)現(xiàn)5 級(jí)分級(jí)。有研究認(rèn)為，MTS 的可靠性較高，內(nèi)部一致性好，敏感性和特異性較好，能應(yīng)用于不同人群[10-11]；其可以有效預(yù)測(cè)病人的短期預(yù)后，但也存在過(guò)度分診或分診不足的問(wèn)題。CTAS 是在ATS基礎(chǔ)上制定實(shí)施的，具有適用人群范圍廣的優(yōu)點(diǎn)，其與ATS 相比內(nèi)容更加客觀、科學(xué)。

我國(guó)急診分診系統(tǒng)發(fā)展較晚且較慢，全國(guó)分診系統(tǒng)發(fā)展水平存在較大差異和地區(qū)特點(diǎn)，幾十年來(lái)急診科一直沿用“經(jīng)驗(yàn)分診模式”，分診護(hù)士的經(jīng)驗(yàn)即為分診“標(biāo)準(zhǔn)”，缺乏統(tǒng)一的預(yù)檢分診標(biāo)準(zhǔn)和具體的實(shí)施細(xì)則。2006 年，我國(guó)臺(tái)灣急診醫(yī)學(xué)協(xié)會(huì)和臺(tái)灣危重癥護(hù)理協(xié)會(huì)在征得加拿大CTAS 工作小組同意后，結(jié)合臺(tái)灣本土現(xiàn)狀及需求，制訂了5 級(jí)臺(tái)灣檢傷和急迫度標(biāo)準(zhǔn)(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(guó)衛(wèi)生部發(fā)布《急診病人病情分級(jí)試點(diǎn)指導(dǎo)原則(征求意見(jiàn)稿)》，提出結(jié)合國(guó)際分類標(biāo)準(zhǔn)以及我國(guó)大中城市綜合醫(yī)院急診醫(yī)學(xué)科現(xiàn)狀，根據(jù)病人病情危重程度和病人所需醫(yī)療資源情況，將急診病人病情分為4 級(jí)。2012 年9 月我國(guó)首部《醫(yī)院急診科規(guī)范化流程》(WS/T 390—2012)發(fā)布，并于2013 年2 月1 日起正式實(shí)施。《醫(yī)院急診科規(guī)范化流程》作為我國(guó)首部急診科行業(yè)規(guī)范，規(guī)定了預(yù)檢分診的相關(guān)內(nèi)容，但沒(méi)有發(fā)布配套的實(shí)施細(xì)則，缺乏明確的區(qū)分病人病情危重程度的分診指標(biāo)，可操作性不高[13-14]。2018 年，我國(guó)發(fā)布《急診預(yù)檢分診專家共識(shí)》[15]，旨在進(jìn)一步規(guī)范、統(tǒng)一全國(guó)的分診系統(tǒng)，并指導(dǎo)全國(guó)急診分診工作的開(kāi)展?？梢?jiàn)，近年來(lái)我國(guó)在急診分診標(biāo)準(zhǔn)方面已有一定發(fā)展，但與其他國(guó)家相比仍存在不足，有較大發(fā)展空間，如仍需在分診標(biāo)準(zhǔn)的建立、分診系統(tǒng)電子化建設(shè)以及大數(shù)據(jù)和人工智能發(fā)展方面給予關(guān)注，從而更加精準(zhǔn)、高效、安全地識(shí)別急危重癥病人和有效應(yīng)用急診資源。

2 分診系統(tǒng)中的人工智能模型

人工智能是研究計(jì)算機(jī)系統(tǒng)能夠執(zhí)行的任務(wù)，其與機(jī)器學(xué)習(xí)（ML）機(jī)制相同，通過(guò)這個(gè)機(jī)制，人工智能系統(tǒng)可以創(chuàng)建、開(kāi)發(fā)算法，修改自己的反應(yīng)模式，并應(yīng)用于新數(shù)據(jù)進(jìn)行推斷[16]。目前，人工智能的實(shí)用性已經(jīng)在放射學(xué)、神經(jīng)外科、皮膚科和眼科等醫(yī)學(xué)領(lǐng)域得以證明，其可能與醫(yī)生能力相當(dāng)，也可能在某些情況下超出醫(yī)生的能力[17]。急診分診的主要目的是準(zhǔn)確區(qū)分危重病人和穩(wěn)定病人，尤其是在擁擠的急診環(huán)境中，分診通常是在有限的信息中快速完成。將人工智能運(yùn)用于急診分診的開(kāi)發(fā)有利于快速解釋臨床數(shù)據(jù)，并對(duì)病人進(jìn)行分類和結(jié)果預(yù)測(cè)，其可直接影響成本、效率和護(hù)理質(zhì)量。當(dāng)前，分診系統(tǒng)中涉及的重要人工智能模型如下。

2.1 基于計(jì)算機(jī)的電子分類系統(tǒng)(ETS） ETS[18]由一臺(tái)機(jī)器自動(dòng)完成，它給出了分診級(jí)別評(píng)分，能夠更好地對(duì)ESI 的3 級(jí)分診病人進(jìn)行分類，尤其是能夠預(yù)測(cè)出需要調(diào)整級(jí)別或需要重癥監(jiān)護(hù)及緊急救治的急危重癥 病 人。1 項(xiàng)ETS 與ESI 分 診 系 統(tǒng) 研 究 顯 示：ETS 可以根據(jù)綜合評(píng)估死亡率、重癥監(jiān)護(hù)病房入院率、轉(zhuǎn)至手術(shù)室或?qū)Ч苁业母怕试u(píng)估病人，且根據(jù)病人危重程度、預(yù)后、住院時(shí)間和資源利用情況將ETS 與ESI 進(jìn)行比較，結(jié)果證實(shí)ETS 在病人臨床結(jié)局分布和資源利用方面有優(yōu)勢(shì)。由于分診人員根據(jù)病人特征、臨床病史等也可以得出電子分類系統(tǒng)結(jié)論，故認(rèn)為ETS 并不能取代分診人員。

2.2 機(jī)器學(xué)習(xí)模型 有研究者對(duì)機(jī)器學(xué)習(xí)模型（Lasso回歸、隨機(jī)森林、梯度增強(qiáng)決策樹(shù)和深層神經(jīng)網(wǎng)絡(luò)）在分診中的應(yīng)用效果進(jìn)行研究，結(jié)果顯示：機(jī)器學(xué)習(xí)模型與5 層ESI 數(shù)據(jù)構(gòu)建的Logistic 回歸模型相比，在預(yù)測(cè)ESI 的1～3 級(jí)(即時(shí)到緊急)過(guò)度分診、重癥監(jiān)護(hù)和住院治療結(jié)果方面效果較好[19-20]。提示，將機(jī)器學(xué)習(xí)模型應(yīng)用于醫(yī)院分診工作，不僅可以增強(qiáng)臨床護(hù)士分診決策能力，還可以使臨床護(hù)理資源利用情況得以進(jìn)一步優(yōu)化。

2.3 悉尼預(yù)檢分診工具（Sydney Triage to Admission Risk Tool，START） START[21]是一種基于Logistic回歸的預(yù)測(cè)工具，旨在幫助護(hù)理人員進(jìn)行急診處置決策。START2 通過(guò)將機(jī)器學(xué)習(xí)算法應(yīng)用于原始數(shù)據(jù)集擴(kuò)展了START 的急診處置決策功能，其最初性能與START 相當(dāng)，但隨著對(duì)問(wèn)題的詳細(xì)分類，START2性能逐漸改善，為電子病歷中納入和分析更復(fù)雜的變量提供可能，有利于幫助護(hù)理人員做出處置決定和病人安排。

2.4 急診醫(yī)學(xué)文本分類器[22]急診預(yù)檢分診是以病人主訴和癥狀體征為主要依據(jù)進(jìn)行危重程度判斷和分診分級(jí)，而依據(jù)醫(yī)學(xué)文本分類器自動(dòng)證候群對(duì)病人主訴、癥狀、體征進(jìn)行科學(xué)歸納與分類，是利用急診數(shù)據(jù)，實(shí)時(shí)監(jiān)測(cè)病人癥狀、體征及病情變化，從而在疾病暴發(fā)早期發(fā)出預(yù)警。此系統(tǒng)是利用向量空間模型和1 個(gè)使用偽相關(guān)反饋機(jī)制的“學(xué)習(xí)”模塊，將帶有分流注的急診病歷記錄自動(dòng)分類為一個(gè)或多個(gè)綜合征類別。標(biāo)準(zhǔn)證候群的術(shù)語(yǔ)用于構(gòu)造初始參考詞典，以生成證候和分類注記向量，之后根據(jù)向量之間的余弦相似性，將每條記錄劃分為一個(gè)證候類別，然后從屬于興趣綜合征的頂級(jí)記錄中提取術(shù)語(yǔ)作為反饋。這些術(shù)語(yǔ)被添加到參考詞典中，重復(fù)此過(guò)程以確定最終分類。該系統(tǒng)可以根據(jù)用戶需求進(jìn)行調(diào)整，以實(shí)現(xiàn)對(duì)不同分診級(jí)別病人的預(yù)警效果和臨床結(jié)局的預(yù)判。

2.5 自然語(yǔ)言處理(NLP)模型 有研究者[23]從臨床記錄中抽取常見(jiàn)診斷，通過(guò)NLP 實(shí)現(xiàn)對(duì)病人疾病種類的及時(shí)識(shí)別，如在病人就診最初幾小時(shí)訪問(wèn)病人病例資料進(jìn)行疾病種類鑒別，其對(duì)膿毒癥[24]、急性闌尾炎和流感的識(shí)別已被證實(shí)具有較高的準(zhǔn)確性。

2.6 臺(tái)灣醫(yī)院的最佳預(yù)測(cè)模型 臺(tái)灣醫(yī)院的最佳預(yù)測(cè)模型即基于急診病人醫(yī)療過(guò)程和分診狀況，收集病人主訴、生命體征等相關(guān)臨床信息，建立分診預(yù)測(cè)模型[25-26]。一方面，通過(guò)分診預(yù)測(cè)模型可以識(shí)別具有臨床診斷意義的各項(xiàng)參數(shù)；另一方面，通過(guò)數(shù)據(jù)挖掘預(yù)測(cè)模型可以有效預(yù)測(cè)異常檢測(cè)和分類。該模型涉及主成分分析(PCA)和支持向量機(jī)(SVM)相結(jié)合技術(shù)，異常狀況預(yù)測(cè)準(zhǔn)確率可達(dá)100%，優(yōu)于SVM(約89.2%)和反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)(96.71%)準(zhǔn)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(gè)SVR 參數(shù)，進(jìn)行臨床結(jié)局分類；在使用滾動(dòng)數(shù)據(jù)預(yù)測(cè)值之后，該模型會(huì)計(jì)算每個(gè)滾動(dòng)數(shù)據(jù)的絕對(duì)百分誤差(APE)，得到SVR 平均絕對(duì)誤差(MAPE)為3.78%，BPNN 平均絕對(duì)誤差(MAPE)為5.99%。說(shuō)明此分類預(yù)測(cè)模型能夠有效預(yù)測(cè)異常檢測(cè)和臨床結(jié)局分類。

3 人工智能在分診系統(tǒng)中的應(yīng)用

3.1 急診分診早期預(yù)警評(píng)分(TREWS)在急診病人住院死亡率中的應(yīng)用 隨著TREWS 在急診科廣泛應(yīng)用，其有效性和準(zhǔn)確性逐漸得到證實(shí)。Lee 等[27]研究顯示：TREWS 對(duì)病人住院24 h、48 h、7 d 及30 d 的死亡率預(yù)測(cè)準(zhǔn)確率高于早期預(yù)警評(píng)分(National Early Warning Score,NEWS)、改良早期預(yù)警評(píng)分（Modified Early Warning Score,MEWS）等，在預(yù)測(cè)臨床最終結(jié)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(yùn)輸重建中的應(yīng)用 早期血液運(yùn)輸重建對(duì)急性冠狀動(dòng)脈綜合征病人病情評(píng)估意義重大，但緊急血液運(yùn)輸重建病人的確定方法并不明確。心電圖是一種相對(duì)簡(jiǎn)單、快速的需緊急血液運(yùn)輸重建病人的篩選方法，但它可能缺失一些即使是訓(xùn)練有素的醫(yī)生也無(wú)法識(shí)別的重要信息，可能造成病人識(shí)別錯(cuò)誤或遺漏，因此，對(duì)急診病例記錄的12 導(dǎo)聯(lián)心電圖進(jìn)行隱藏信息檢測(cè)，建立急診12 導(dǎo)聯(lián)心電圖緊急血液運(yùn)輸重建預(yù)測(cè)模型十分必要[28]。

3.3 包含心率變異性的機(jī)器在預(yù)測(cè)急診危重病人心臟驟停中的應(yīng)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(jiān)測(cè)、及時(shí)給予復(fù)蘇和早期干預(yù)。從5 min 心電圖記錄中生成心率變異性（HRV）參數(shù)，將其與病人年齡和生命體征相結(jié)合，可以得出包含心率變異性的機(jī)器學(xué)習(xí)評(píng)分，有利于對(duì)急診就診危重病人進(jìn)行分類，其也可用于開(kāi)發(fā)基于心臟驟停臨床風(fēng)險(xiǎn)預(yù)警裝置[29]。

3.4 其他 目前，已有研究者針對(duì)不同疾病開(kāi)發(fā)了相應(yīng)的人工智能預(yù)測(cè)模型，如膿毒癥病人識(shí)別工具、慢性阻塞性肺疾?。–OPD）病人危險(xiǎn)預(yù)測(cè)模型、感染性休克死亡預(yù)測(cè)模型以及胸痛病人急性和延遲性心臟并發(fā)癥識(shí)別工具等[30-32]，但其預(yù)測(cè)效果仍需穩(wěn)定的臨床大數(shù)據(jù)進(jìn)一步驗(yàn)證，并且人工智能系統(tǒng)在臨床應(yīng)用、培訓(xùn)成本、醫(yī)院系統(tǒng)之間的適用性以及醫(yī)療機(jī)構(gòu)對(duì)人工智能的謹(jǐn)慎態(tài)度等諸多方面仍有挑戰(zhàn)。

4 人工智能急診分診中護(hù)士能力的需求

隨著科技進(jìn)步和電子智能技術(shù)的發(fā)展，人工智能在醫(yī)學(xué)領(lǐng)域逐漸得以應(yīng)用。機(jī)器學(xué)習(xí)和算法作為一種可以快速積累數(shù)據(jù)集，并從數(shù)據(jù)中進(jìn)一步提取信息、優(yōu)化計(jì)算，從而提供更好的醫(yī)療、護(hù)理服務(wù)方法，主要是作為幫助臨床工作人員提供更精準(zhǔn)、高效的臨床決策支持的輔助技術(shù)而存在，增強(qiáng)臨床工作人員自身能力，仍是提高急診分診質(zhì)量的重要途徑。

4.1 急診分診護(hù)士應(yīng)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(jīng)過(guò)急診分診護(hù)士的診療，急診分診護(hù)士的臨床決策能力直接影響著急診醫(yī)療質(zhì)量和病人安全。急診護(hù)士接診病人時(shí)，會(huì)面臨病人病情不確定、臨床病例資料不足、評(píng)估時(shí)間緊迫、大量病人擁擠等問(wèn)題，電子信息和人工智能分診系統(tǒng)的開(kāi)發(fā)與應(yīng)用，可以最大限度地輔助急診護(hù)士進(jìn)行臨床決策，但是否能真正提高急診分診質(zhì)量仍取決于分診人員的臨床決策能力。Moon 等[33]研究后認(rèn)為，急診分診人員應(yīng)具備的臨床決策能力包括準(zhǔn)確的臨床判斷能力、專業(yè)評(píng)估能力、醫(yī)療資源管理能力、病人病情及時(shí)有效處理能力和溝通能力。Anna 等[34]研究后認(rèn)為，病人到達(dá)急診科時(shí)，分診護(hù)士要迅速對(duì)他們進(jìn)行評(píng)估，立即發(fā)現(xiàn)任何危及生命的緊急情況；分診護(hù)士要收集有價(jià)值的信息，然后根據(jù)每個(gè)病人病情的緊急程度對(duì)其進(jìn)行排序；分診護(hù)士還要負(fù)責(zé)維持病人就診秩序，確保候診病人安全；分診護(hù)士往往是病人和家屬進(jìn)入醫(yī)院第1 個(gè)見(jiàn)到的人，因此，必須有出色的溝通技巧，以便病人及時(shí)得到應(yīng)有的幫助。

4.2 急診分診護(hù)士應(yīng)具有“慧眼”識(shí)危能力 目前，我國(guó)急診分診研究仍處于初級(jí)階段，全國(guó)急診分診方法不統(tǒng)一，對(duì)分診護(hù)士的培訓(xùn)存在局限性。多數(shù)護(hù)理管理者認(rèn)為，急診護(hù)士預(yù)檢分診決策能力與急診科工作經(jīng)驗(yàn)相關(guān)，與護(hù)士主觀能動(dòng)性相關(guān)性較低，加之傳統(tǒng)培養(yǎng)方式缺乏主動(dòng)性，護(hù)士成長(zhǎng)速度慢，導(dǎo)致急診分診護(hù)士“慧眼”識(shí)危能力提升空間較大。Hammad 等[35]對(duì)湖南長(zhǎng)沙13 所醫(yī)院急診調(diào)查結(jié)果顯示：僅50.8%的分診護(hù)士接受過(guò)專門(mén)的分診培訓(xùn)，且大多是在科室、培訓(xùn)班或會(huì)議上，表明湖南地區(qū)的分診培訓(xùn)有待加強(qiáng)。趙潔等[36]研究后發(fā)現(xiàn)，上海地區(qū)只有55.7%的病人認(rèn)為預(yù)檢護(hù)士分診的科室符合其醫(yī)療需求，說(shuō)明上海護(hù)士預(yù)檢分診能力有待提高。趙源源等[37]研究結(jié)果顯示：我國(guó)急診分診護(hù)士分診決策能力得分較低，影響因素包括職稱、高級(jí)別進(jìn)修情況、急診相關(guān)證書(shū)認(rèn)證以及高級(jí)別病例討論參加情況等。姜鮮銀等[38]總結(jié)提高分診能力的建議，認(rèn)為應(yīng)健全分診能力培訓(xùn)系統(tǒng)、完善分診質(zhì)量評(píng)價(jià)體系、規(guī)范分診標(biāo)準(zhǔn)、開(kāi)發(fā)現(xiàn)代化分診工具?？梢?jiàn)，建立一個(gè)完善、系統(tǒng)、科學(xué)的培訓(xùn)機(jī)制，提高分診護(hù)士“慧眼”識(shí)危能力，仍是今后進(jìn)一步研究的課題。

5 小結(jié)

急診分診的目標(biāo)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(tǒng)的開(kāi)發(fā)有利于滿足不同環(huán)境、不同人群的健康照護(hù)需求，幫助分診護(hù)士更精準(zhǔn)和靈敏地確定病人優(yōu)先級(jí)?，F(xiàn)代急診分診的重任落在急診護(hù)士身上，他們需要借助人工智能來(lái)更好地管理急診病人流動(dòng)和保障病人安全[39-40]。