《BMC Medical Informatics and Decision Making》：A meta-analysis of the diagnostic test accuracy of artificial intelligence predicting emergency department dispositions
编辑推荐：
为评估 AI 预测急诊科（ED）分流（入院、重症监护、 mortality）的诊断准确性，研究人员对相关文献进行 Meta 分析。纳入 88 篇文献 117 个模型，发现 AI 预测 mortality 的 AUROC 最高（0.93），但敏感性仍有提升空间，为 ED 资源优化提供参考。
急诊科室作为医院救治的最前线，常常面临患者流量波动大、资源有限的难题。当大量患者涌入时，医护人员难以及时精准判断患者的病情严重程度，容易出现资源分配不合理的情况，比如将轻症患者安排到重症监护病房，或者未能及时识别需要紧急救治的重症患者，这不仅影响患者的治疗效果，还会加剧急诊拥堵，降低整体医疗质量。如何快速、准确地预测患者的分流结局（如是否需要住院、进入重症监护室或面临死亡风险），成为优化急诊资源配置、提升救治效率的关键问题。传统的预测方法依赖临床经验和简单的评分系统，难以应对急诊数据的复杂性和多样性，而人工智能（AI）的发展为解决这一难题提供了新方向。众多研究已尝试利用 AI 预测 ED 分流，但缺乏全面的定量评估，无法客观反映模型的真实性能。
为此，国立联合大学与义大医院、义守大学的研究人员开展了一项 Meta 分析研究，相关成果发表在《BMC Medical Informatics and Decision Making》。该研究旨在系统评价 AI 模型预测 ED 关键分流结局（住院、重症监护、 mortality）的诊断性能，量化 AI 模型的整体诊断准确性，分析影响模型性能的因素，为临床应用和研究提供科学依据。
研究人员通过检索 Scopus、PubMed 等多个数据库，截至 2023 年 12 月 31 日，共纳入 88 篇文献，包含 117 个 AI 模型，其中 39 个预测住院，45 个预测重症监护，33 个预测 mortality。采用预测模型偏倚风险评估工具（PROBAST）评估偏倚风险，并计算敏感性、特异性、受试者工作特征曲线下面积（AUROC）等指标，同时进行亚组分析探讨影响因素。
研究结果
不同分流结局的 AI 预测性能
- 住院预测：AI 模型的汇总敏感性为 0.81（95% CI 0.74–0.86），特异性为 0.87（95% CI 0.81–0.91），AUROC 为 0.87（95% CI 0.84–0.93）。这表明 AI 模型在判断患者是否需要住院方面有一定能力，但敏感性相对较低，可能存在漏诊风险。
- 重症监护预测：汇总敏感性为 0.86（95% CI 0.79–0.91），特异性为 0.89（95% CI 0.83–0.93），AUROC 为 0.93（95% CI 0.89–0.95）。说明 AI 在识别需要重症监护的患者方面表现较好，能较为准确地筛选出高危患者。
- ** mortality 预测 **：汇总敏感性为 0.85（95% CI 0.80–0.89），特异性为 0.94（95% CI 0.90–0.96），AUROC 为 0.93（95% CI 0.89–0.96），是三种分流结局中预测准确性最高的，显示出 AI 在评估患者死亡风险方面的潜力。
影响 AI 模型性能的因素
- 数据特征：结构化数据模型在预测三种分流结局时，敏感性和特异性均优于仅使用非结构化数据或结合结构化与非结构化数据的模型。这可能是因为结构化数据更规范，便于模型提取关键特征，而非结构化数据（如自由文本、影像数据）需要复杂的特征提取过程，可能引入更多噪声。
- AI 技术：传统机器学习方法在多数情况下优于深度学习，可能与研究数据以结构化数据为主，深度学习在图像等非结构化数据处理上的优势未充分发挥有关。随机森林（RF）、极端梯度提升（XGB）等算法在不同分流结局预测中表现突出，如 RF 在 mortality 预测中敏感性和特异性较高。
- 样本特征：成人样本模型的表现相对稳定，但不同年龄组样本对模型性能的影响未呈现明显规律，可能需要更多针对特定年龄群体的研究。
- 验证方法：多数模型采用内部验证，仅少数使用外部验证，可能导致模型的泛化能力被高估。交叉验证的使用与否对模型性能影响不一致，提示在模型训练中需合理选择验证方法和优化参数。
研究结论与讨论
该 Meta 分析表明，AI 在预测 ED 分流方面具有良好的性能，尤其在预测重症监护和 mortality 时表现优异，但敏感性仍有提升空间，特别是在住院预测中。数据特征、AI 技术和验证方法等因素会影响模型性能，结构化数据、传统机器学习算法和合理的验证策略有助于提高预测准确性。
研究的重要意义在于为急诊科室应用 AI 技术提供了客观的量化证据，有助于临床医生和医院管理者了解 AI 的优势与不足，推动 AI 在急诊资源分配中的实际应用。同时，研究指出了未来研究方向，如开发标准化特征集、构建公共数据集、优化深度学习模型和加强外部验证等，以进一步提升 AI 模型的可靠性和泛化能力，为缓解急诊拥堵、提高救治效率提供更有力的支持。
