综述：机器学习在急诊预检分诊临床结局预测中的应用：一项系统性文献综述

《International Emergency Nursing》：The use of machine learning in predicting clinical outcomes in emergency pre-examination triage: A systematic review of the literature

本综述系统回顾了机器学习（Machine Learning, ML）在急诊预检分诊临床结局预测中的应用现状，分析了不同ML模型（如决策树、支持向量机等）的优缺点。综述指出，ML模型整体敏感性高，可有效辅助分诊人员实现主客观评估结合，提升预测准确性，保障患者安全，但相关大样本研究仍需加强。

　　

急诊预检分诊要求医护人员在短时间内运用科学合理的分诊系统对急诊患者进行评估，快速识别病情，并根据病情的严重程度进行分类，以确保危重患者得到及时救治，并有效利用急诊资源。这对医护人员的专业水平及分诊系统提出了极高要求。目前，各国虽已建立相对完善的急诊分诊体系，并制定了相应的临床应用操作手册，例如中国的《急诊病情分级标准》、美国的急诊严重指数（Emergency Severity Index, ESI）、澳大利亚的澳大拉西亚分诊量表（Australasian Triage Scale, ATS）以及加拿大的急诊分诊及敏锐度量表（Canadian Emergency Department Triage and Acuity Scale, CTAS）。然而，由于急诊患者病情的不确定性和分诊工作本身的复杂性，分诊结果仍受分诊人员主观判断和经验的影响，易导致分诊错误、过度分诊等问题。因此，迫切需要新技术辅助分诊人员。机器学习作为人工智能的一个分支，能够从临床大数据中提取有效的客观指标，以实现精准分诊，从而减少医疗不良事件的发生，提高医疗质量。

Development of search strategy

通过计算机检索PubMed、Web of Science、EMbase、Cochrane Library、中国知网（CNKI）、万方医学数据库、中国生物医学文献数据库（CBM）、维普中文科技期刊数据库（VIP）等数据库，检索时限从建库至2023年11月。中英文检索词涵盖“急诊”、“分诊/预检分诊”、“机器学习/机器学习模型/算法”、“住院”、“重症监护室/ICU”等。

Literature search results

初检共获得1012篇文献，最终纳入12篇符合标准的文献。文献筛选流程如下：将获得的文献导入Endnote 20软件，去除75篇重复文献，阅读标题和摘要后排除820篇，16篇无法获取全文，阅读全文后排除89篇。最终纳入的文献涉及5种主要的机器学习模型，这些模型主要用于预测住院、死亡、重症监护室（ICU）入住、医院转诊、回家等临床结局。

Conclusion and prospects

受后COVID-19疫情及整体环境影响，呼吸道感染病例增加，尤其在秋冬季高峰期间，急诊就诊量日增，例如儿童专科医院，这增加了急诊分诊的工作量。此外，在分诊过程中，分诊护士经验和理论知识的差异可能导致对危重患者病情评估不足。机器学习模型整体敏感性高，为减少分诊错误、优化急诊流程提供了客观工具。然而，目前关于预检分诊临床结局预测的文献研究较少，因此在临床实践中应开展相关大样本研究，以实现主客观评估工具的结合，提高预测准确性，确保患者安全。

Conclusion

本文通过系统性文献综述，总结并阐述了用于预测急诊分诊临床结局的各种机器学习算法的概念、原理及优缺点。因此，在临床构建风险预测模型时，应根据各模型的优缺点进行选择。但目前相关研究尚显不足，未来研究可进一步验证各种算法的性能。

CRediT authorship contribution statement

Yao Jiang: 撰写初稿，方法论；Jing Zhao: 数据整理；Hu Juan: （未具体说明贡献）。

Declaration of competing interest

作者声明不存在任何已知的竞争性经济利益或个人关系，这些利益或关系可能影响本报告所述的工作。