急诊分诊革新：人工智能驱动决策支持系统的临床转化路径与实证成效

《Emergency Medicine News》：Triage Reimagined: A Practical Roadmap for AI-Driven Decision Support

来自约翰斯·霍普金斯大学的研究团队针对急诊分诊存在的主观性、不一致性和偏差问题，开发了首个急诊医学AI决策支持工具TriageGO。该研究通过多学科协作和真实世界验证，显著提升分诊准确性、缩短危重症救治时间，并有效减少种族及语言差异群体分诊不足现象10-12，为高风险临床环境中的AI应用提供了标准化实施路径。

　　

美国急诊科(ED)作为医疗安全网和守门人，在极端时间压力与资源限制下接收多样化的患者群体。分诊(Triage)作为急诊首要临床决策，通过快速评估患者危重度，决定救治优先级、资源分配及接诊人员。在普遍存在急诊拥挤的时代，传统分诊系统仍存在高度主观性、不一致性和偏差倾向^1-6。

研究团队历经十年开发出急诊医学领域首个AI引导决策支持工具TriageGO，其成功经验凝练为六大核心原则：1）以临床问题而非技术为出发点，通过深度剖析分诊决策机制驱动解决方案开发；2）组建跨学科团队，整合急诊医师、工程师、数据科学家和实施科学家的专业优势；3）基于真实场景设计，使系统能在信息不全的高压环境下如分诊护士般高效运作；4）从初始阶段持续融入终端用户（急诊护士）参与设计迭代，确保工具实用性与可信度；5）超越理论验证，在真实急诊环境中 rigorous 评估安全性、有效性及工作流影响；6）早期规划推广路径，通过国家科学基金会(NSF)小企业创新研究计划成立初创公司实现全国推广。

技术层面，团队先基于全国调查数据构建机器学习概念验证模型，继而利用本地电子健康记录(EHR)数据开发专用模型^7,8。在医疗保健研究与质量局(AHRQ)资助下开发出具备实时患者级预测能力的EHR集成版本。在约翰斯·霍普金斯医院的实践表明，该系统使分诊危重度成为可靠的病情严重程度指标，急危重患者获得更快速救治⁹。后续发表在《NEJM AI》《JAMA Internal Medicine》和《Annals of Emergency Medicine》的研究证实，TriageGO显著提升分诊准确性、加速救命干预措施实施，并有效减少历史上易被低度分诊(under-triage)的黑人、西班牙语裔和非英语母语患者的医疗不平等^10-12。

该实践印证：人工智能在高风险临床环境中成功应用的关键，在于扎根真实临床需求、跨学科团队协作及真实世界 rigorous 验证。从AHRQ资助的基础研究，到NSF支持的商业化，再到企业级部署的完整路径，为医疗创新从概念到临床的转化提供了可复制的路线图。

（利益披露声明涉及的技术由约翰斯·霍普金斯大学开发，已授权给丹纳赫集团子公司Radiometer进行商业化。大学及Hinson博士、Levin博士享有相关技术版税分配。Hinson博士现任丹纳赫诊断研发创新医疗总监，Levin博士任研发创新高级总监，后者同时为约翰斯·霍普金斯大学急诊医学数据科学中心联合创始人兼休假教授。）