虚拟现实大规模伤亡模拟中急救人员现场分诊错误：一项基于人因视角的横断面研究

《Disaster Medicine and Public Health Preparedness》：Field Triage Errors: A Cross-Sectional Study of Emergency Responders in a Virtual Reality Mass Casualty Simulation

本刊推荐：为解决大规模伤亡事件(MCI)中现场分诊错误频发的问题，研究人员利用虚拟现实(VR)技术开展了针对急救人员分诊表现的模拟研究。研究团队开发了分诊响应者干预与绩效错误模型(TRIP EM)，将错误归类为熟练度、程序和感知三大来源。结果表明，参与者在虚拟地铁爆炸场景中对14名患者的分诊准确率为70%，78%的参与者表现出相对效率，其中熟练度错误占比最高(79%。该研究为通过改进培训方案和决策支持工具(如LLMs)提升MCI响应质量提供了重要依据。

　　

在拉斯维加斯、圣贝纳迪诺等地的恐怖袭击事件中，训练有素的第一响应者对受害者生存率的关键作用已显露无遗。无论是自然灾害还是人为灾难，都可能演变为大规模伤亡事件(MCI)，其产生的伤亡数量极易超出医疗系统的承载极限。现场分诊——即在混乱环境中快速评估伤情严重程度并优先处理最危重患者——成为避免医院系统崩溃、最大化挽救生命和肢体的核心环节。然而，传统的分诊错误研究多局限于回顾性分析患者结局（如发病率和死亡率），或聚焦于患者个体特征及技术操作层面，缺乏对响应者与复杂环境交互过程中错误根源的系统性解构。

长期以来，分诊错误主要被归类为过度分诊（over-triage）和分诊不足（under-triage）。过度分诊会将本可稍缓处理的伤员误判为优先救治，挤占本已稀缺的急救资源，甚至导致整个应急系统在MCI中陷入混乱。一项研究显示，美国医疗系统因过度分诊每年需承担高达1.367亿美元的资源成本。相比之下，分诊不足的后果更为致命——危重伤员若未被识别并优先转运至创伤中心，其获得高级气道管理、致命性出血控制等关键干预的机会将大大延迟，直接推高致残率和死亡率。荷兰一项创伤登记研究揭示，超过20%的重伤患者未能被及时送至一级创伤中心。显然，仅凭患者结局来逆向推断分诊错误已不足以应对现代MCI的挑战，亟需一种能够在受控环境下精准捕捉错误全貌的研究范式。

为此，由Ewart de Visser博士和Nicholas Kman博士领衔的研究团队，将人因工程学领域的经典理论——如Lewin的场论及其衍生模型TWIN（Task Demands, Work Environment, Individual Capabilities, and Human Nature）——引入到急救医学研究。他们创新性地构建了“分诊响应者干预与绩效错误模型”（Triage Responder Intervention and Performance Error Model, TRIP EM），将错误根源归结为三大类：熟练度错误（源于培训不足或经验欠缺，未能达到 mastery level of competence）、程序错误（分诊协议与现场实际情况不匹配）以及感知错误（环境混乱导致感官输入失真，如虚拟烟雾、噪音干扰）。在此理论框架下，团队利用虚拟现实(VR)技术，精心设计了一项横断面研究，旨在深度剖析99名急救响应者（包括急诊医学技术人员EMTs、护理人员及急诊住院医师）在模拟地铁炸弹爆炸MCI场景中的分诊表现。

为开展此项研究，研究人员主要依托以下几项关键技术方法：首先，采用First VResponder^TM虚拟现实模拟平台（由Tactical Triage Technologies LLC开发），该平台基于Unity Pro软件构建，能通过Meta Quest 2 VR头显提供完全沉浸式的3D体验。其次，研究样本来源于2022年至2024年间建立的性能数据登记库，本研究从中选取了99名参与者的数据，这些参与者均接受了SALT（Sort, Assess, Life-saving Interventions, Treatment/Transport）分诊协议的15分钟即时培训（Just-In-Time Training, JITT），并完成了包含14名伤员的、更具挑战性的地铁爆炸场景模拟。关键绩效指标包括分诊准确性、效率（如出血控制时间）、SALT协议依从性（SALT Adherence Performance）以及基于TRIP EM模型的错误分类分析。所有数据均经过去标识化处理，研究方案获得了俄亥俄大学机构审查委员会（IRB）的批准（协议号# 2020B0128）。

结果

分诊标签错误与患者难度

参与者的平均分诊标签准确率为70%（标准差SD=20%），准确率在不同患者间差异显著（22%至97%）。对于生命体征消失、浅表创伤或损伤特征明确指向需立即救治的患者（如已死亡的Dead-D、仅额头擦伤的Minimal-N、张力性气胸患者Immediate-A和Immediate-B），响应者分诊准确率极高（95%至99%）。

然而，当患者伤情不符合SALT协议非此即彼的评估类别（如能否遵循指令、是否存在呼吸窘迫、有无未控制的动脉出血、外周脉搏是否可及）时，分诊错误率显著上升。最具挑战性的患者是Delayed-K，该患者表现为喘息、呼吸功能不全但呼吸频率正常，75%的响应者对其进行了错误分诊。另一名患者Expectant-E（眼部嵌入弹片、无脉搏但胸廓有起伏和手部微动），约26%的响应者错误地将其标记为死亡。此外，对已控制住肢体动脉出血后本应降级为“延迟”的患者Delayed-I，超过四分之一的参与者仍将其过度分诊为“立即”。对于表现为创伤后应激障碍症状或沟通障碍的患者（如鼓膜穿孔导致新发听力受损的Minimal-L），30%的参与者因其无法遵循指令而对其进行了过度分诊。

SALT分诊依从性

采用SALT依从性绩效指标评估参与者按协议规定顺序（先处理不动或有明显生命威胁者，再处理能遵指令但不能行走者，最后处理能行走者）评估患者类别的能力。

结果显示，78%（77/99）的参与者仅出现2-3次偏离规定顺序的情况。仅有6%（6/99）的参与者完全遵守了规定顺序。值得注意的是，22%的参与者出现了4次及以上顺序错误，表明其未能掌握SALT规定的优先评估顺序。

出血控制

81%（80/99）的参与者在平均6.1分钟（SD=2.4分钟）内为场景中所有5名存在致命性出血伤情的患者完成了止血。重复测量方差分析（ANOVA）显示，不同虚拟患者的出血控制时间存在显著差异（F(3.5,323.2)=23.5, P≤0.001, η2=.19）。

事后检验表明，处理有两处需要止血的伤口的患者Immediate-F所需时间显著长于其他患者。部分出血伤被遗漏，例如Immediate-F的右侧穿刺伤被遗漏12次，Immediate-G的左侧穿刺伤被遗漏7次，甚至有3名响应者完全未评估和处理手腕截断的患者Immediate-H。

患者互动时间

平均每位患者的互动时间在10秒至29秒之间（均值M=20.3秒，SD=7.1秒）。

参与者与伤势直观的患者（如Dead-D）或自述无恙的患者（Minimal-N）互动时间显著较短。而面对小腿有异物嵌入但无出血的Delayed-J、眼部嵌入弹片的Expectant-E、女性张力性气胸患者Immediate-A以及哮喘患者Delayed-K时，互动时间较长（≥23秒），可能因伤情判断或缺乏有效治疗手段所致。

错误来源分类

应用TRIP EM模型对错误进行分类后发现，79%的错误可追溯至熟练度问题，程序错误和感知错误也有一定占比，且三者存在重叠。

讨论与结论

本研究通过VR模拟，系统揭示了MCI现场分诊错误的三大主要来源。熟练度错误占据主导地位，突显出加强响应者培训，特别是针对呼吸系统损伤评估（如识别不对称胸廓起伏、反常呼吸、呼吸急促等）、出血控制后患者状态动态评估、以及复杂或不符合典型分类（如既有哮喘发作、听力突然受损）患者判定的紧迫性。模拟化 mastery learning（精熟学习）结合沉浸式场景训练，是提升响应者临床决策能力（clinical gestalt）的关键。

感知错误则凸显了MCI现场环境压力（如噪音、光线不足、虚拟烟雾）对响应者感官输入和决策过程的干扰。研究表明，通过压力暴露训练（stress exposure training）等方式提升响应者在压力环境下的表现韧性至关重要。沟通障碍（如与听力受损患者的互动）也是导致感知错误和后续分诊错误的重要因素。

程序错误指向分诊协议（如SALT）本身存在的局限性。当患者伤情复杂、无法完美契合协议的非黑即白分类时，容易导致分诊延迟或错误。这提示需要不断优化分诊协议，使其更适应现实复杂性，并探索引入决策支持工具，如大型语言模型（Large Language Models, LLMs），利用本研究产生的模拟数据训练LLMs，有望辅助现场分诊决策。

研究的局限性在于VR环境与真实物理操作存在差异，且场景（地铁爆炸、单一响应者、伤者同质化且无儿科人群）较为单一，未来需拓展至更多类型的MCI及团队协作场景进行验证。

综上所述，这项研究首次将人因工程学的系统错误分析模型应用于VR模拟的MCI分诊研究，精准定位了分诊错误的主要来源。研究结果强有力地指出，未来应着力于优化分诊协议以减少程序性模糊地带，加强基于模拟的精熟训练以提升响应者熟练度，开发智能决策支持工具以辅助现场判断，以及引入压力管理训练以增强复杂环境下的应变能力。这些措施的综合实施，将有望显著提升大规模伤亡事件的现场响应效能，最终改善患者结局并节约医疗系统成本。该研究为灾难医学与公共卫生准备领域的培训和质量改进提供了重要的实证依据和方向指引。