基于人工智能的急诊科激越事件预测模型开发与验证：一项300万就诊队列研究

这篇研究通过人工智能（AI）技术开发并验证了急诊科（ED）激越事件的预测模型，覆盖304.8万就诊数据。模型整合50项预测因子（包括既往就诊次数、生命体征等），在外部验证中展现出优异判别能力（AUROC 0.94，PR-AUC 0.41）。该成果为临床提供早期干预依据，有望减少化学镇静（如氟哌啶醇）和物理约束使用，符合联合委员会（The Joint Commission）倡导的患者安全目标。研究首次实现ED场景下激越风险的精准预测，对改善行为急诊管理具有里程碑意义。

　　

Predicting Agitation Events in the Emergency Department Through Artificial Intelligence

Key Points
急诊科（ED）激越事件威胁医患安全，但现有预测手段匮乏。这项队列研究利用AI模型分析304.8万ED就诊数据，开发出包含50项预测因子的高精度工具（AUROC 0.94），关键指标包括既往约束史、初始生命体征和主诉类别。模型跨人群适用性验证为临床早期干预提供数据支持。

Introduction
美国ED中精神行为相关就诊十年增长53%，每年约170万激越事件发生。激越定义为过度精神运动性兴奋导致的攻击行为，83%伴严重精神疾病。现行约束措施导致37%伤害风险，监管机构呼吁早期识别。但ED环境复杂（病因多元、症状多变），现有评估工具存在显著差异。本研究旨在填补这一空白——首次建立ED专属激越预测模型。

Methods
数据来自美国东北部9家医院2015-2022年ED就诊电子健康记录（EHR）。主要结局指标为肌注化学镇静（如氟哌啶醇、劳拉西泮）和/或暴力约束医嘱。通过递归特征消除（RFE）和SHAP值分析从682变量中筛选50项核心预测因子，采用梯度提升决策树（GBDT/XGBoost）建模。外部验证使用未参与训练的63万就诊数据。

Results
队列平均年龄50.2岁，女性占54.7%。最终模型在验证集表现优异：AUROC 0.96（95%CI 0.95-0.96），PR-AUC 0.41。关键预测因子包括：

• 历史约束/镇静次数（OR 4.2）
• 收缩压>140 mmHg（OR 2.1）
• "攻击行为"主诉（OR 6.8）
  决策曲线分析显示模型临床净收益显著高于常规筛查。亚组分析显示各人口学组AUROC均>0.90。

Discussion
该模型突破性地整合临床与环境因素，较传统ICU或痴呆专用工具更具ED普适性。值得注意的是：

1. 社会经济因素（如无业状态）与激越风险显著相关，提示结构性脆弱性影响
2. 种族亚组校准良好，但需警惕EHR数据潜在偏见
3. 最佳风险阈值（0.6-0.7）可平衡预警灵敏度与临床可操作性

Limitations
单医疗系统数据可能影响泛化性，且未纳入环境噪音等实时因素。未来需探索动态数据整合与去偏算法应用。

Conclusions
这项迄今最大规模的ED激越预测研究证实AI模型可实现早期风险分层。临床实施需结合电子病历（EHR）系统改造和医护流程优化，最终推动从"约束反应"到"预防性干预"的范式转变。