隨著智慧醫療關鍵技術的創新和突破，積極探索以人工智能為核心技術的智慧型急診急救的措施與方法將有助于提升急診醫護團隊的急危重癥診療能力。該文綜述了人工智能在院前院內診療能力與體系建設等方面的應用現狀，并闡述了其面臨的挑戰和可能的應對策略，為新一輪科技革命浪潮中“人工智能+急診醫學”產學研的深度融合發展提供參考。
引用本文： 姚鵬, 唐時元, 蔣耀文, 曹鈺. 人工智能在急診醫學中的應用現狀與展望. 華西醫學, 2022, 37(11): 1601-1606. doi: 10.7507/1002-0179.202211049 復制
人工智能（artificial intelligence，AI）是一個廣義的計算機科學術語，包括但不限于機器學習（machine learning，ML）、深度學習、自然語言處理和計算機視覺[1]。過去 10 年，AI 在醫療保健領域已得到廣泛應用，在協助醫療人員完成疾病診斷、風險評估和治療等方面展現出獨特優勢和巨大潛力[2]。在急診醫學領域，基于 AI 的應用程序在解決急診醫學臨床工作中的熱點與難點問題方面，以及順暢急診流程、制定科學的急診診療方案和提供更優質的急診服務等方面，亦顯示出巨大潛力[3-5]。然而，AI 在急診醫學領域的普及仍面臨諸多問題和挑戰，本文將進一步闡述 AI 在急診醫學領域的應用、研究現狀和面臨的挑戰，并提出可能的解決策略。
1 AI 在急診醫學中的應用現狀
1.1 院前急救
隨著 AI 技術、第 5 代移動通信技術（5th generation mobile communication technology，5G）和定位技術等在院前急救中的應用，院前急救資源的調動更加迅速和準確。葛芳民等[6]率先在國內開展 5G+AI 技術，構建院前-院內一體化的全方位、高質量急診急救醫療服務平臺，對提升院前急救水平和保障患者生命安全具有重要意義。筆者所在課題組也聯手軟件設計團隊，致力于實現網格資源調配、室內定位、遠程會診和急救包獲取，共同打造基于 5G、網格化管理、區塊鏈和邊緣計算等技術的智慧急救平臺，積極推進“呼救即獲救，上車即入院”的院前急救新模式。
腦卒中、急性心肌梗死和創傷等重點病種患者因病情進展快、院前致殘率和死亡率高，院前早期識別、盡早開展診斷和針對性治療極其重要。近年來，研究者們利用 ML、自然語言處理和極限梯度提升等 AI 手段開發出多種算法和診斷模型，在院前早期診斷卒中方面顯示出顯著優勢[7-9]。Chen 等[10]通過基于 12 導聯心電圖的實時 AI 輔助遠程診斷顯著提高了急性心肌梗死的早期診斷率，并縮短了早期經皮冠狀動脈介入治療時間。而 Chin 等[11]通過對緊急呼救電話的文本進行挖掘，建立了基于 ML 的模型，用于交通事故后重傷患者的自動識別，其在調度員缺乏信心時顯示出較高的準確性。此外，AI 算法還在急性主動脈綜合征院前診斷和危險分層[12]以及阿片類藥物和海洛因等毒品濫用的院前監控[13]等方面顯示出極大優勢。充分挖掘院前緊急呼救電話文本、語音及視覺等數據信息進行院前診斷和病情評估，對提升危重癥患者院前診治水平具有重要意義。
1.2 預檢分診
急診科的過度擁擠是全世界急診醫務人員共同面臨的難題，其顯著增加了患者急診滯留時間，降低了急診醫療護理質量，并增加了院內死亡等急診不良事件，而基于 AI 技術的預檢分診可提升效率，改善管理效能[14-15]。
基于 AI 技術的分診工具可在極短時間內對患者完成病情的初步評估，是提高急診分診效率的有效手段。Raita 等[16]將開發的 lasso 回歸、隨機森林、梯度提升決策樹和深度神經網絡 4 種 ML 模型，與急診最常用的分診工具—緊急嚴重性指數（Emergency Severity Index）[17]比較，結果發現，ML 模型在預測重癥監護和住院結局方面的效能均具有顯著優勢。Goto 等[18]使用基于可解釋的 ML 框架開發的緊急風險預測評分（Score For Emergency Risk Prediction）與改良的早期預警評分、英國國家早期預警評分等常用的急診分診評分比較，結果顯示緊急風險預測評分對 2、7 和 30 d 死亡率的預測效能均顯著優于現有評分。Yu 等[19]通過外部驗證亦得到相似的結果。
基于 ML 的急診容量預測模型有助于空間規劃和資源調配，這在突發公共事件導致就診人數激增時尤為重要，而且能夠識別復雜特征中模式集合的 ML 算法，有助于準確預測急診等待時間，也有助于急診的流程優化[20]。
1.3 早期篩查與識別
AI 技術不僅可為醫生采集患者信息提供指導，還能通過全面、動態分析患者數據，進行智能化診斷分析，識別病情快速惡化的急診危重患者，減少漏診誤診。以膿毒癥為例，傳統的早期識別和評估系統難以獲取特定時間，尤其是基于時間序列的個體臨床參數往往存在關聯，可能導致膿毒癥早期識別系統的特異度低且假陽性率高。而基于 AI 的應用系統可通過抓取海量臨床數據集，使用梯度增強集成 ML 算法預測不同時間序列患者的發病情況，可實現膿毒癥早期預警和高危患者識別[21-24]。同樣，基于 AI 的模型對急診科早期識別急性冠狀動脈綜合征[25]和老年患者認知障礙也具有顯著優勢[26]。
及早篩檢出新型冠狀病毒肺炎（coronavirus disease 2019，COVID-19）患者對疫情防控具有重要意義，但目前的檢測試劑具有一定的局限性：快篩試劑盒使用方便，但靈敏度較低（40%～70%）；聚合酶鏈反應靈敏度高，但設備需求高且檢測時間較長[27-28]。Soltan 等[29]基于 AI 技術，通過整合生命體征與即時全血細胞計數，構建了 COVID-19 篩查模型 CURIAL-Rapide，并通過多中心前瞻性真實世界研究發現，與快篩試劑盒相比，CURIAL-Rapide 模型的假陰性率降低了 72%。單獨使用快篩試劑盒的靈敏度為 56.9%，當其與 CURIAL-Rapide 結合使用時，靈敏度可提高至 85.6%；且中位篩查時間僅 45 min，顯著提高了 COVID-19 早期篩檢效率。Ng 等[30]基于 ML 技術構建了基于基因生物標志物的宿主反應分類器，并發現 2019 新型冠狀病毒感染的特異性生物標志物，其有利于 COVID-19 的鑒別診斷和危險分層，并有良好的成本效益和推廣價值。
1.4 急診影像資料的判讀
AI 在急診影像領域的應用已越來越多，部分相關產品（如 HealthPNX、BriefCase-ICH 等）已陸續應用于臨床[31]。骨折的漏診占急診科診斷錯誤的 80%[32]，Duron 等[33]和 Guermazi 等[34]通過 AI 系統輔助急診醫師和放射科醫師對骨折的判讀，在判讀速度不受影響的情況下，其準確率顯著增加。而 Lindsey 等[3]基于 135409 張 X 線片構建的基于深度學習的神經網絡模型，可輔助急診醫生提升骨折的診斷，使其誤讀率降低了 47%。Hwang 等[35]構建的深度學習算法檢出異常胸片的受試者操作特征（receiver operating characteristic，ROC）曲線下面積可達 0.95，靈敏度和特異度分別為 88.7%和 69.6%，顯著提升了住院醫生的診斷準確率。
研究者們已開發出多種 AI 算法，并測試了其幫助普通 CT 掃描檢測出血、占位、腦積水、急性腦梗死、創傷性腦損傷和中線移位的準確度，其中許多算法的靈敏度為 94%～100%，陰性預測值高達 99%，可用于排除不需要緊急手術的情況，給繁忙的急診團隊提供了極大幫助[36]。
1.5 診療決策建議
隨著 5G 技術、互聯網+與 AI 的融合，醫院電子信息系統也逐漸走向智慧化，可以實時監控和分析患者的各種資料，提出針對性治療建議。Seymour 等[37]和 Maddali 等[38]利用 ML 和模擬工具分別篩選出宿主反應模式相關膿毒癥表型和急性呼吸窘迫綜合征表型（高炎癥和低炎癥），指導抗生素的選擇和使用[21-24]。此外，借助防錯機制及時發現藥物超劑量使用、重復給藥、藥物錯誤配伍、臨床危急值假陽性誤報等情況，可避免不良醫療護理事件的發生[39]。基于 AI 算法的精確給藥系統已在腫瘤患者和終末期腎病患者的藥物管理方面顯示出顯著優勢，相信未來將會投入急診臨床和護理的常規應用中[40-41]。
1.6 對預后的早期預測評估
對急診患者不良事件發生率和早期預后的預測評估可指導醫生及時調整醫療決策和資源配置，有助于提升治療質量。ML 模型考慮到預測變量之間的高階非線性相互作用[16]，在急診患者院內死亡率、住院率等方面的預測價值顯著高于現有的相關臨床決策工具[42]。基于 AI 的預測模型在急診肺炎患者不良預后（感染性休克、呼吸衰竭等）[43]、遲發性膿毒性休克[44]和急性心力衰竭患者不良預后（氣管插管、心肺復蘇和死亡等）[45]方面的預測效能均顯著優于常規評估工具。此外，Ziobrowski 等[46]使用 30 個變量集成 ML 模型，以預測患者發生創傷后應激障礙或重性抑郁發作[47-49]的情況。結果顯示，預測風險最高的前 30%患者占 3 個月內發生創傷后應激障礙或重性抑郁發作患者的 65%，且具有良好的預測效能（ROC 曲線下面積=0.809）。還有研究者開發出了多種 ML 模型對 COVID-19 患者進行危險分層和預后評估，也顯示出良好的效能[50-52]。
1.7 優化資源配置
智慧醫療強調以合理的醫療資源完成特定的醫療任務。以血培養為例，急診科過度的血培養不僅導致效率低下、污染增加和資源浪費，也伴隨著抗生素使用的增加，住院時間延長和死亡率增加[53-55]。Schinkel 等[56]使用回顧性數據構建 ML 模型，以預測急診患者血培養結果，并進行多中心回顧性驗證和前瞻性評估，結果顯示該模型對于識別低陽性率的血培養具有較高的效能，對合理利用資源具有較高的指導價值。
合理分流患者對有效規劃急診醫療資源具有重要作用。Patel 等[57]發現 AI 可以僅根據分診信息預測兒童哮喘患者的住院需求。Fenn 等[58]基于歷史健康記錄開發了 ML 模型，以預測不同急診患者住院或入重癥監護室的概率，結果顯示其預測患者入院和入重癥監護室的 ROC 曲線下面積分別為 0.873 和 0.951。而 Mi?i?等[59]構建 ML 模型以預測急診患者術后再入院概率，結果顯示該模型預測急診患者術后 30 d 再入院的 ROC 曲線下面積可達 0.89，具有良好的預測效能。
Shung 等[60]通過多中心上消化道出血患者臨床數據推導和內部驗證，獲得一種梯度增強 ML 模型，與常用的內鏡前臨床風險評分系統進行比較，該模型在識別從急診科安全出院進行門診管理的低風險患者方面，具有更高的靈敏度（100%）。Kamran 等[61]等基于患者電子健康記錄數據，構建了針對 COVID-19 患者病情惡化預測的 ML 模型，并在 12 個醫療中心進行外部驗證，發現該模型對低風險患者進行分類可指導患者提前出院，降低了 7.8 d 的臥床時間。而 Shamout 等[62]基于 COVID-19 患者胸部 X 線圖像構建的深度神經網絡亦顯示出相似的預測效果。
總體來說，AI 在急診診療的全過程中都有改進和優化的巨大潛力，而這些改進使急診資源更好地匹配患者需求，從而優化急診流程管理，在時間和成本方面提高了效率，改善了患者預后[36]。
2 AI 在急診應用中面臨的挑戰和應對策略
在過去 20 年里，盡管 AI 在改善患者預后和優化診療護理流程等方面顯示出巨大潛力，AI 相關的醫學學術文章數量也呈暴發式增長，但 AI 相關醫療產品的研發還處于起步階段[63-64]，極少有 AI 產品已常規用于臨床實踐[1]，還有諸多挑戰需要面對和解決。
2.1 算法準確性有待加強
AI 算法的準確性依賴于海量數據的迭代學習和優化。用于 AI 建模的數據集可能因篩選者的主觀因素造成偏倚，也可能因包含錯誤診斷信息而出現偏差，而這些錯誤經過 ML 迭代會被顯著放大[1]；且 AI 算法易出現過度擬合[65]，進一步降低其準確性，從而限制其向臨床實踐的安全轉化。因此，應制定嚴格的數據集篩選機制，并避免算法過度擬合，從而保證其準確性。此外，AI 算法需要在臨床中進行持續的外部驗證以保證其質量，而臨床實踐總是在動態變化的，故需要不斷更新數據對模型進行微調，以保證數據的準確性。
2.2 數據質量有待提升
數據是 AI 算法的原料，高質量的 AI 算法依賴于高質量的數據。然而，對于急診來說，患者流動性大、病程管理連續性不足、電子病歷不夠完善等因素導致非結構化數據比例較高，且不同醫院的信息化水平有差異，造成數據質量參差不齊。此外，目前我國不同醫院急診信息化建設和信息系統數據暫無統一標準，導致各醫院急診形成“信息孤島”，不利于急診數據標準化，且會阻礙急診數據的挖掘、分析和共享[65]。因此，未來應該依托大數據、云計算構建急診醫療數據生態圈，加強數據的結構化和標準化，從而提高 AI 算法的數據質量。
2.3 高質量臨床證據有待突破
目前相關的 AI 模型大多缺少多中心大樣本隨機對照試驗，故缺少高質量證據支持用于急診急救的臨床實踐。因此，急診 AI 模型的開發應該參照經典的臨床研究設計原則和步驟，嚴格開展前瞻性多中心隨機對照試驗，將 AI 輔助醫療護理決策與當前最佳的臨床實踐推薦進行比較[66]。嚴格、持續和全面的評估將有助于從理論轉向臨床實踐。
2.4 臨床應用存在安全隱患
隨著 AI 應用逐漸進入臨床，急診 AI 系統會生成特定的診療建議，而急診醫生可能并不理解產生這些建議的原因，也沒有相關指南推薦，同時還要面對 AI 應用于臨床實踐的潛在法律問題，可能導致沒有急診醫務人員采信并應用 AI 建議的保障措施[31, 67]，最終導致 AI 建議的采用度不高。因此，專業協會和醫療機構應積極組織相關專業人員探討 AI 應用于急診的合法合規方案，制定相應的標準化 AI 應用指南，并且進行推廣，加強培訓，使醫療人員充分掌握 AI 產品的使用要點和結果解讀[31]。
2.5 隱私保護機制亟需完善
由于 AI 應用需要訪問大量患者數據，不僅包括醫療電子文檔，還有面容和語音等個人特征，對醫療人員和醫療機構保護患者隱私的責任提出嚴峻挑戰[63]。為降低侵犯患者隱私的可能性，可考慮將個人標識符與接受 AI 分析的信息脫鉤并設立倫理審查委員會加強監督。此外，還應加強立法研究，完善 AI 應用的權利、義務和責任相關的法律[68]。
3 小結與展望
越來越多的證據表明 AI 應用在優化急診診療和護理方面具有巨大潛力，然而，AI 應用是否優于現有標準的臨床實踐尚不明確，亟需高質量研究進一步驗證；同時還需在 AI 算法準確性、數據共享、患者隱私保護和監管等方面開展更多工作。AI 應用可能改變我們的生活和工作流程，但不能取代我們與他人的互動。患者的個體特點與道德觀、價值觀、文化和社會經濟等因素相關，并影響疾病的診治過程，而這些因素都是動態變化的，AI 算法難以輕易捕捉到這些重要信息。目前醫生依靠對情緒的識別判斷和非語言交流去理解患者的需求并以同理心做出回應的措施，對 AI 來說，也是無法實現的。因此，AI 相關產品應作為輔助工具增強醫療人員的工作效率，而不是取代人工。未來急診醫學的發展不僅要考慮如何有效地使用 AI，更應該強調以患者為中心，加強團隊合作和醫患溝通，在智慧急診時代為患者提供更優質的醫療服務。
利益沖突：所有作者聲明不存在利益沖突。
人工智能（artificial intelligence，AI）是一個廣義的計算機科學術語，包括但不限于機器學習（machine learning，ML）、深度學習、自然語言處理和計算機視覺[1]。過去 10 年，AI 在醫療保健領域已得到廣泛應用，在協助醫療人員完成疾病診斷、風險評估和治療等方面展現出獨特優勢和巨大潛力[2]。在急診醫學領域，基于 AI 的應用程序在解決急診醫學臨床工作中的熱點與難點問題方面，以及順暢急診流程、制定科學的急診診療方案和提供更優質的急診服務等方面，亦顯示出巨大潛力[3-5]。然而，AI 在急診醫學領域的普及仍面臨諸多問題和挑戰，本文將進一步闡述 AI 在急診醫學領域的應用、研究現狀和面臨的挑戰，并提出可能的解決策略。
1 AI 在急診醫學中的應用現狀
1.1 院前急救
隨著 AI 技術、第 5 代移動通信技術（5th generation mobile communication technology，5G）和定位技術等在院前急救中的應用，院前急救資源的調動更加迅速和準確。葛芳民等[6]率先在國內開展 5G+AI 技術，構建院前-院內一體化的全方位、高質量急診急救醫療服務平臺，對提升院前急救水平和保障患者生命安全具有重要意義。筆者所在課題組也聯手軟件設計團隊，致力于實現網格資源調配、室內定位、遠程會診和急救包獲取，共同打造基于 5G、網格化管理、區塊鏈和邊緣計算等技術的智慧急救平臺，積極推進“呼救即獲救，上車即入院”的院前急救新模式。
腦卒中、急性心肌梗死和創傷等重點病種患者因病情進展快、院前致殘率和死亡率高，院前早期識別、盡早開展診斷和針對性治療極其重要。近年來，研究者們利用 ML、自然語言處理和極限梯度提升等 AI 手段開發出多種算法和診斷模型，在院前早期診斷卒中方面顯示出顯著優勢[7-9]。Chen 等[10]通過基于 12 導聯心電圖的實時 AI 輔助遠程診斷顯著提高了急性心肌梗死的早期診斷率，并縮短了早期經皮冠狀動脈介入治療時間。而 Chin 等[11]通過對緊急呼救電話的文本進行挖掘，建立了基于 ML 的模型，用于交通事故后重傷患者的自動識別，其在調度員缺乏信心時顯示出較高的準確性。此外，AI 算法還在急性主動脈綜合征院前診斷和危險分層[12]以及阿片類藥物和海洛因等毒品濫用的院前監控[13]等方面顯示出極大優勢。充分挖掘院前緊急呼救電話文本、語音及視覺等數據信息進行院前診斷和病情評估，對提升危重癥患者院前診治水平具有重要意義。
1.2 預檢分診
急診科的過度擁擠是全世界急診醫務人員共同面臨的難題，其顯著增加了患者急診滯留時間，降低了急診醫療護理質量，并增加了院內死亡等急診不良事件，而基于 AI 技術的預檢分診可提升效率，改善管理效能[14-15]。
基于 AI 技術的分診工具可在極短時間內對患者完成病情的初步評估，是提高急診分診效率的有效手段。Raita 等[16]將開發的 lasso 回歸、隨機森林、梯度提升決策樹和深度神經網絡 4 種 ML 模型，與急診最常用的分診工具—緊急嚴重性指數（Emergency Severity Index）[17]比較，結果發現，ML 模型在預測重癥監護和住院結局方面的效能均具有顯著優勢。Goto 等[18]使用基于可解釋的 ML 框架開發的緊急風險預測評分（Score For Emergency Risk Prediction）與改良的早期預警評分、英國國家早期預警評分等常用的急診分診評分比較，結果顯示緊急風險預測評分對 2、7 和 30 d 死亡率的預測效能均顯著優于現有評分。Yu 等[19]通過外部驗證亦得到相似的結果。
基于 ML 的急診容量預測模型有助于空間規劃和資源調配，這在突發公共事件導致就診人數激增時尤為重要，而且能夠識別復雜特征中模式集合的 ML 算法，有助于準確預測急診等待時間，也有助于急診的流程優化[20]。
1.3 早期篩查與識別
AI 技術不僅可為醫生采集患者信息提供指導，還能通過全面、動態分析患者數據，進行智能化診斷分析，識別病情快速惡化的急診危重患者，減少漏診誤診。以膿毒癥為例，傳統的早期識別和評估系統難以獲取特定時間，尤其是基于時間序列的個體臨床參數往往存在關聯，可能導致膿毒癥早期識別系統的特異度低且假陽性率高。而基于 AI 的應用系統可通過抓取海量臨床數據集，使用梯度增強集成 ML 算法預測不同時間序列患者的發病情況，可實現膿毒癥早期預警和高危患者識別[21-24]。同樣，基于 AI 的模型對急診科早期識別急性冠狀動脈綜合征[25]和老年患者認知障礙也具有顯著優勢[26]。
及早篩檢出新型冠狀病毒肺炎（coronavirus disease 2019，COVID-19）患者對疫情防控具有重要意義，但目前的檢測試劑具有一定的局限性：快篩試劑盒使用方便，但靈敏度較低（40%～70%）；聚合酶鏈反應靈敏度高，但設備需求高且檢測時間較長[27-28]。Soltan 等[29]基于 AI 技術，通過整合生命體征與即時全血細胞計數，構建了 COVID-19 篩查模型 CURIAL-Rapide，并通過多中心前瞻性真實世界研究發現，與快篩試劑盒相比，CURIAL-Rapide 模型的假陰性率降低了 72%。單獨使用快篩試劑盒的靈敏度為 56.9%，當其與 CURIAL-Rapide 結合使用時，靈敏度可提高至 85.6%；且中位篩查時間僅 45 min，顯著提高了 COVID-19 早期篩檢效率。Ng 等[30]基于 ML 技術構建了基于基因生物標志物的宿主反應分類器，并發現 2019 新型冠狀病毒感染的特異性生物標志物，其有利于 COVID-19 的鑒別診斷和危險分層，并有良好的成本效益和推廣價值。
1.4 急診影像資料的判讀
AI 在急診影像領域的應用已越來越多，部分相關產品（如 HealthPNX、BriefCase-ICH 等）已陸續應用于臨床[31]。骨折的漏診占急診科診斷錯誤的 80%[32]，Duron 等[33]和 Guermazi 等[34]通過 AI 系統輔助急診醫師和放射科醫師對骨折的判讀，在判讀速度不受影響的情況下，其準確率顯著增加。而 Lindsey 等[3]基于 135409 張 X 線片構建的基于深度學習的神經網絡模型，可輔助急診醫生提升骨折的診斷，使其誤讀率降低了 47%。Hwang 等[35]構建的深度學習算法檢出異常胸片的受試者操作特征（receiver operating characteristic，ROC）曲線下面積可達 0.95，靈敏度和特異度分別為 88.7%和 69.6%，顯著提升了住院醫生的診斷準確率。
研究者們已開發出多種 AI 算法，并測試了其幫助普通 CT 掃描檢測出血、占位、腦積水、急性腦梗死、創傷性腦損傷和中線移位的準確度，其中許多算法的靈敏度為 94%～100%，陰性預測值高達 99%，可用于排除不需要緊急手術的情況，給繁忙的急診團隊提供了極大幫助[36]。
1.5 診療決策建議
隨著 5G 技術、互聯網+與 AI 的融合，醫院電子信息系統也逐漸走向智慧化，可以實時監控和分析患者的各種資料，提出針對性治療建議。Seymour 等[37]和 Maddali 等[38]利用 ML 和模擬工具分別篩選出宿主反應模式相關膿毒癥表型和急性呼吸窘迫綜合征表型（高炎癥和低炎癥），指導抗生素的選擇和使用[21-24]。此外，借助防錯機制及時發現藥物超劑量使用、重復給藥、藥物錯誤配伍、臨床危急值假陽性誤報等情況，可避免不良醫療護理事件的發生[39]。基于 AI 算法的精確給藥系統已在腫瘤患者和終末期腎病患者的藥物管理方面顯示出顯著優勢，相信未來將會投入急診臨床和護理的常規應用中[40-41]。
1.6 對預后的早期預測評估
對急診患者不良事件發生率和早期預后的預測評估可指導醫生及時調整醫療決策和資源配置，有助于提升治療質量。ML 模型考慮到預測變量之間的高階非線性相互作用[16]，在急診患者院內死亡率、住院率等方面的預測價值顯著高于現有的相關臨床決策工具[42]。基于 AI 的預測模型在急診肺炎患者不良預后（感染性休克、呼吸衰竭等）[43]、遲發性膿毒性休克[44]和急性心力衰竭患者不良預后（氣管插管、心肺復蘇和死亡等）[45]方面的預測效能均顯著優于常規評估工具。此外，Ziobrowski 等[46]使用 30 個變量集成 ML 模型，以預測患者發生創傷后應激障礙或重性抑郁發作[47-49]的情況。結果顯示，預測風險最高的前 30%患者占 3 個月內發生創傷后應激障礙或重性抑郁發作患者的 65%，且具有良好的預測效能（ROC 曲線下面積=0.809）。還有研究者開發出了多種 ML 模型對 COVID-19 患者進行危險分層和預后評估，也顯示出良好的效能[50-52]。
1.7 優化資源配置
智慧醫療強調以合理的醫療資源完成特定的醫療任務。以血培養為例，急診科過度的血培養不僅導致效率低下、污染增加和資源浪費，也伴隨著抗生素使用的增加，住院時間延長和死亡率增加[53-55]。Schinkel 等[56]使用回顧性數據構建 ML 模型，以預測急診患者血培養結果，并進行多中心回顧性驗證和前瞻性評估，結果顯示該模型對于識別低陽性率的血培養具有較高的效能，對合理利用資源具有較高的指導價值。
合理分流患者對有效規劃急診醫療資源具有重要作用。Patel 等[57]發現 AI 可以僅根據分診信息預測兒童哮喘患者的住院需求。Fenn 等[58]基于歷史健康記錄開發了 ML 模型，以預測不同急診患者住院或入重癥監護室的概率，結果顯示其預測患者入院和入重癥監護室的 ROC 曲線下面積分別為 0.873 和 0.951。而 Mi?i?等[59]構建 ML 模型以預測急診患者術后再入院概率，結果顯示該模型預測急診患者術后 30 d 再入院的 ROC 曲線下面積可達 0.89，具有良好的預測效能。
Shung 等[60]通過多中心上消化道出血患者臨床數據推導和內部驗證，獲得一種梯度增強 ML 模型，與常用的內鏡前臨床風險評分系統進行比較，該模型在識別從急診科安全出院進行門診管理的低風險患者方面，具有更高的靈敏度（100%）。Kamran 等[61]等基于患者電子健康記錄數據，構建了針對 COVID-19 患者病情惡化預測的 ML 模型，并在 12 個醫療中心進行外部驗證，發現該模型對低風險患者進行分類可指導患者提前出院，降低了 7.8 d 的臥床時間。而 Shamout 等[62]基于 COVID-19 患者胸部 X 線圖像構建的深度神經網絡亦顯示出相似的預測效果。
總體來說，AI 在急診診療的全過程中都有改進和優化的巨大潛力，而這些改進使急診資源更好地匹配患者需求，從而優化急診流程管理，在時間和成本方面提高了效率，改善了患者預后[36]。
2 AI 在急診應用中面臨的挑戰和應對策略
在過去 20 年里，盡管 AI 在改善患者預后和優化診療護理流程等方面顯示出巨大潛力，AI 相關的醫學學術文章數量也呈暴發式增長，但 AI 相關醫療產品的研發還處于起步階段[63-64]，極少有 AI 產品已常規用于臨床實踐[1]，還有諸多挑戰需要面對和解決。
2.1 算法準確性有待加強
AI 算法的準確性依賴于海量數據的迭代學習和優化。用于 AI 建模的數據集可能因篩選者的主觀因素造成偏倚，也可能因包含錯誤診斷信息而出現偏差，而這些錯誤經過 ML 迭代會被顯著放大[1]；且 AI 算法易出現過度擬合[65]，進一步降低其準確性，從而限制其向臨床實踐的安全轉化。因此，應制定嚴格的數據集篩選機制，并避免算法過度擬合，從而保證其準確性。此外，AI 算法需要在臨床中進行持續的外部驗證以保證其質量，而臨床實踐總是在動態變化的，故需要不斷更新數據對模型進行微調，以保證數據的準確性。
2.2 數據質量有待提升
數據是 AI 算法的原料，高質量的 AI 算法依賴于高質量的數據。然而，對于急診來說，患者流動性大、病程管理連續性不足、電子病歷不夠完善等因素導致非結構化數據比例較高，且不同醫院的信息化水平有差異，造成數據質量參差不齊。此外，目前我國不同醫院急診信息化建設和信息系統數據暫無統一標準，導致各醫院急診形成“信息孤島”，不利于急診數據標準化，且會阻礙急診數據的挖掘、分析和共享[65]。因此，未來應該依托大數據、云計算構建急診醫療數據生態圈，加強數據的結構化和標準化，從而提高 AI 算法的數據質量。
2.3 高質量臨床證據有待突破
目前相關的 AI 模型大多缺少多中心大樣本隨機對照試驗，故缺少高質量證據支持用于急診急救的臨床實踐。因此，急診 AI 模型的開發應該參照經典的臨床研究設計原則和步驟，嚴格開展前瞻性多中心隨機對照試驗，將 AI 輔助醫療護理決策與當前最佳的臨床實踐推薦進行比較[66]。嚴格、持續和全面的評估將有助于從理論轉向臨床實踐。
2.4 臨床應用存在安全隱患
隨著 AI 應用逐漸進入臨床，急診 AI 系統會生成特定的診療建議，而急診醫生可能并不理解產生這些建議的原因，也沒有相關指南推薦，同時還要面對 AI 應用于臨床實踐的潛在法律問題，可能導致沒有急診醫務人員采信并應用 AI 建議的保障措施[31, 67]，最終導致 AI 建議的采用度不高。因此，專業協會和醫療機構應積極組織相關專業人員探討 AI 應用于急診的合法合規方案，制定相應的標準化 AI 應用指南，并且進行推廣，加強培訓，使醫療人員充分掌握 AI 產品的使用要點和結果解讀[31]。
2.5 隱私保護機制亟需完善
由于 AI 應用需要訪問大量患者數據，不僅包括醫療電子文檔，還有面容和語音等個人特征，對醫療人員和醫療機構保護患者隱私的責任提出嚴峻挑戰[63]。為降低侵犯患者隱私的可能性，可考慮將個人標識符與接受 AI 分析的信息脫鉤并設立倫理審查委員會加強監督。此外，還應加強立法研究，完善 AI 應用的權利、義務和責任相關的法律[68]。
3 小結與展望
越來越多的證據表明 AI 應用在優化急診診療和護理方面具有巨大潛力，然而，AI 應用是否優于現有標準的臨床實踐尚不明確，亟需高質量研究進一步驗證；同時還需在 AI 算法準確性、數據共享、患者隱私保護和監管等方面開展更多工作。AI 應用可能改變我們的生活和工作流程，但不能取代我們與他人的互動。患者的個體特點與道德觀、價值觀、文化和社會經濟等因素相關，并影響疾病的診治過程，而這些因素都是動態變化的，AI 算法難以輕易捕捉到這些重要信息。目前醫生依靠對情緒的識別判斷和非語言交流去理解患者的需求并以同理心做出回應的措施，對 AI 來說，也是無法實現的。因此，AI 相關產品應作為輔助工具增強醫療人員的工作效率，而不是取代人工。未來急診醫學的發展不僅要考慮如何有效地使用 AI，更應該強調以患者為中心，加強團隊合作和醫患溝通，在智慧急診時代為患者提供更優質的醫療服務。
利益沖突：所有作者聲明不存在利益沖突。