综述：优化资源匮乏地区的儿科急诊分诊：循证策略、任务转移与技术创新

《International Journal of Emergency Medicine》：Optimizing pediatric emergency triage in low-resource settings: evidence-based strategies, task-shifting, and technological innovations

本综述深入探讨了资源匮乏地区儿科急诊分诊的优化策略。文章系统评估了现有分诊模型（如ETAT、SATS）的优劣，指出其面临的过度拥挤、培训不足及诊断资源稀缺等核心挑战。重点提出了通过任务转移（task-shifting）至非医师临床医生、采用人工智能（AI）驱动的数字分诊工具及床旁生物标志物（如乳酸、CRP、降钙素原PCT）等创新方案，以提升分诊精准度与效率。最终强调，构建可持续的分诊体系需政策整合、能力建设、技术应用与社区参与多管齐下。

　　

引言

儿科急诊分诊是识别危重患儿、确保其优先获得救治的关键环节。在医疗专业人员压力大、资源有限的低中收入国家（LMICs），有效的分诊系统对于降低儿科死亡率至关重要。然而，这些地区的医疗机构常面临过度拥挤、人员培训不足、标准化分诊协议应用不广以及诊断资源匮乏等多重障碍。据统计，LMICs每年承担全球高达95%的创伤病例，其中儿童占死亡人数的17%，且医院就诊后24小时内的死亡占儿科死亡率的33%。因此，在LMICs实施有效、简单且可持续的分诊模型迫在眉睫。

资源匮乏地区儿科急诊分诊面临的挑战

过度拥挤与救治延迟

在LMICs，儿科急诊部人满为患是常态。过度拥挤导致候诊时间延长、治疗启动推迟，进而造成预后不良。高传染性疾病流行以及社区预防性措施不足是加剧过度拥挤的重要因素。此外，医护人员与患者比例严重失调，导致工作人员疲劳，进一步影响护理质量。

分诊培训的缺口

由于儿童与成人在生理和发育上存在差异，儿科急诊人员需要专门培训。然而，LMICs的许多医护人员主要接受的是成人医疗教育，导致处理儿科急症的知识储备不足。儿科急诊医学专家分布不均且培训机会稀缺，加剧了这一问题。例如，急诊医疗服务人员常常缺乏专门的儿科设备，儿科培训和实践经验也极为有限。

诊断资源有限

实验室诊断、影像学检查（如X射线、超声）和床旁检测资源的严重不足，威胁着正确的诊断和患者评估。例如，缺乏针对结核、登革热、疟疾等疾病的快速床旁检测，会导致治疗延迟，增加并发症和死亡风险。许多LMICs未能持续使用统一的分诊评分系统，导致临床医生更多地依赖主观判断，增加了误诊风险。

当前儿科分诊模型：优势、劣势及在LMICs的适用性

急诊分诊评估与治疗系统

世界卫生组织的急诊分诊评估与治疗指南为快速识别危重患儿（如呼吸窘迫、休克、严重脱水）提供了一种基于临床症状的系统方法。其简单性使其非常适合资源有限的环境。在马拉维的研究表明，实施ETAT后儿科死亡率降低了40%。肯尼亚的研究也证实其在预测住院需求方面具有高敏感性和特异性。

然而，ETAT的广泛实施面临挑战，包括对人员培训资源要求高，且在没有定期复训的情况下，所学技能容易退化。在繁忙环境中，低人员配置和高患者量也常导致对ETAT指南的偏离。

南非儿科分诊量表

南非分诊量表将分诊早期预警评分与临床鉴别因素相结合。证据表明，SATS能提高分诊准确性。其灵活性和简单性对LMICs具有实用价值。

但SATS需要脉搏血氧仪等基础诊断工具，而这些在资源极度匮乏的环境中常常缺失。此外，过度依赖临床判断可能导致经验不足的医护人员决策不一致，出现过度分诊或分诊不足的情况。

人工智能与数字儿科分诊技术在LMICs的创新

人工智能和数字技术正在通过提高分诊的精确性、效率和患者预后，变革LMICs的儿科急诊分诊。智能手机应用、聊天机器人平台、可穿戴传感器和AI辅助分诊算法被越来越多地用于应对高患者量和稀缺的医疗资源。机器学习算法能筛选大量数据以识别模式，在预测临床结局方面表现出色。2022年的研究证实，深度学习网络、逻辑回归、随机森林和梯度提升决策树在预测儿科急诊患儿临床结局方面优于传统分诊模型。基于智能手机应用程序的分诊，在手机普及率高的LMICs尤其具有前景。来自印度和巴西的数据显示，基于AI的工具提高了诊断效率，减少了不适当的检测和治疗。例如，机器学习算法已用于分析胸片以筛查结核和肺炎，有助于抗菌药物管理，减少抗生素滥用。

用于儿科分诊的床旁生物标志物

在LMICs，快速评估和决策至关重要。床旁生物标志物为此提供了有前景的解决方案。快速乳酸测量可用于识别休克和脓毒症高危患儿。脉搏血氧仪和呼吸频率评分是评估呼吸窘迫和低氧血症的关键工具。C反应蛋白和降钙素原检测有助于区分细菌性和病毒性感染，指导抗生素的合理使用。简单的床旁毛细血管再充盈时间和灌注评估工具也是有效分诊系统的重要组成部分。在资源有限的环境中实施这些生物标志物，可以改善早期发现，指导适当干预，最终降低儿科死亡率。

LMICs儿科分诊模型的伦理与操作考量

在LMICs，儿科分诊模型面临独特的伦理和操作挑战。医疗提供者常常需要根据患者病情的严重程度、康复可能性和总体预后来定量配给重症监护病房床位、机械通气和救命药物等有限资源。在大规模伤亡事件中，分诊协议通常优先考虑那些通过立即干预生存机会最大的患者，但这引发了伦理问题。此外，基于性别、社会经济地位和文化信仰的差异可能影响儿科分诊模型的接受度和有效性。例如，文化规范可能优先考虑男性儿童，导致获得护理的机会不平等。解决这些障碍需要采取文化敏感的方法、社区参与和教育。

未来方向与政策建议

优化LMICs的儿科分诊可扩展性和可持续性，需要多方面的努力。未来方向包括：加强循证分诊实施，将分诊纳入国家政策并推动其普遍应用，利用数字和AI驱动的分诊创新，加强能力建设和人力资源开发，优化与分诊相关联的急诊护理路径，并加大分诊推广和可持续性的倡导力度。研究应侧重于不同分诊模型的比较分析、分诊结局的纵向研究以及实施科学研究，以识别在不同LMIC背景下成功扩大分诊规模的障碍和促进因素。政府应制定符合世界卫生组织建议但又适应当地医疗系统限制的国家分诊指南，授权将分诊系统整合到所有急诊科，并建立分诊培训、绩效监测和持续质量改进的监管框架。

结论

急诊分诊是儿科急诊护理的关键方面，尤其是在医疗需求常常超过可用资源的LMICs。分诊的实施对患者预后和医疗机构产生积极影响。通过结合标准化协议、培训、实时决策支持和适应当地情况的持续质量改进，LMICs可以建立强大的分诊系统，确保危重儿童及时获得所需的护理，最终改善儿科急诊护理的整体质量和效率。