编辑推荐：
为缓解急诊科（ED）拥挤、优化资源分配并减少 CT 过度使用，研究人员利用急诊分诊数据（含症状、病史等），开发基于医疗临床辅助大语言模型的 CT 必要性预测模型。结果显示模型 AUROC 达 0.88，AUPRC 为 0.5414，为优化急诊诊断流程提供基础。
急诊医学的发展始终伴随着效率与安全的双重挑战。在全球范围内，急诊科（ED）拥挤已成为 healthcare 领域的棘手难题 —— 患者流量激增、诊疗耗时过长与资源分配不均相互交织，不仅导致患者等待时间延长、护理质量下降，甚至增加死亡风险。作为急诊诊断的 “利器”，计算机断层扫描（CT）虽在脑出血、主动脉夹层等危急重症的鉴别中不可或缺，但过度使用问题日益凸显：全球约 20-40% 的 CT 扫描被认为不必要，这不仅造成资源浪费，还让患者暴露于电离辐射风险中，尤其对儿童和育龄人群危害更大。如何在急诊初期快速精准判断患者是否需要 CT 扫描，成为破解 ED 效率瓶颈与辐射安全困境的关键。
为攻克这一难题，台北医学大学双和医院的研究团队开展了一项具有创新性的研究。团队聚焦急诊分诊阶段可获取的数据，试图通过人工智能技术构建预测模型，仅基于患者症状、主诉、生命体征和病史等信息，判断其是否需要进行 CT 检查。研究成果发表在《Engineering Applications of Artificial Intelligence》，为急诊医学的智能化决策提供了新方向。
研究采用的核心技术方法包括：
- 数据来源与预处理：回顾性分析 2017 年 5 月至 2019 年 12 月台北医学大学双和医院的 165,391 例急诊电子病历，排除不符合条件的病例后，提取主诉、症状描述、病史等非结构化文本数据及结构化生命体征数据。
- 预训练语言模型（PLM）的应用：以临床辅助大语言模型为基础，整合急诊场景下的医学知识，通过自然语言处理（NLP）技术提取文本中的诊断线索，如疼痛程度、症状细节等。
- 多模型对比实验：将 PLM 模型与 ConvBERT、SciBERT 等 biomedical PLMs，以及逻辑回归（LR）、随机森林（RF）等 8 种传统机器学习模型进行对比，评估指标包括受试者工作特征曲线下面积（AUROC）、精确率 - 召回曲线下面积（AUPRC）和阴性预测值（NPV）。
结果分析
模型性能表现
通过对比实验发现，基于 PLM 的模型在各项指标中表现最优：AUROC 达 0.88，较现有语言模型提升 0.6%，较传统机器学习方法提升 4.8%；AUPRC 为 0.5414。值得注意的是，模型的阴性预测值（NPV）高达 0.9261，表明其在识别 “无需 CT 扫描患者” 方面具有高度可靠性，可有效减少不必要的检查。
关键影响因素
研究证实，症状描述的详细程度与疼痛评估的准确性是提升预测精度的核心因素。例如，对头痛患者若记录 “剧烈头痛伴呕吐” 而非简单 “头痛”，模型能更精准判断是否需头部 CT。这提示急诊分诊时强化症状叙事的标准化记录，可进一步优化模型效能。
与传统方法的差异
传统模型多依赖结构化数据（如年龄、分诊等级）和人工设计特征，而本研究的 PLM 模型直接解析临床叙事文本中的深层语义，如 “突发胸痛放射至背部” 隐含的主动脉夹层风险，无需依赖生理检测数据即可完成综合评估。这种 “文本驱动” 的分析模式突破了传统结构化数据的局限性，为急诊决策引入更丰富的信息维度。
结论与讨论
本研究首次将预训练语言模型系统应用于急诊 CT 必要性预测，证实了非结构化文本数据在医疗决策中的关键价值。模型不仅能辅助医生快速筛除非必要 CT 患者，缓解 ED 设备压力，还可通过减少辐射暴露提升患者安全性，尤其为儿童和敏感人群提供保护。此外，模型的高阴性预测值为 “排除性诊断” 提供了可靠依据，有助于缩短低风险患者的留观时间，优化整体诊疗流程。
然而，研究仍存在局限性：单一中心的数据可能导致地域和人群代表性不足，亚洲患者的症状特征与其他地区可能存在差异；缺乏多中心外部验证，模型在不同医疗环境中的泛化能力有待进一步检验。未来需扩大数据集的多样性，纳入更多种族、地域的病例，并在不同等级医院（如 I 级与 III 级创伤中心）中验证模型性能，以推动其临床落地。
这项研究标志着人工智能在急诊医学中的应用迈出重要一步 —— 通过挖掘日常医疗记录中的文本价值，PLM 模型为优化资源分配、提升诊疗效率提供了可复制的技术路径。随着医疗大数据与自然语言处理技术的深度融合，类似方法有望拓展至更多急诊场景（如抗生素使用预测、住院分流评估等），推动精准急诊医学的发展，最终实现 “以数据驱动决策，以智能提升关怀” 的医疗愿景。
