儿科电子风险分层算法InfoKids+的前瞻性验证研究：与护士分诊标准的比较分析

《Mayo Clinic Proceedings: Digital Health》：InfoKids+: A Validation Study of a Pediatric Acuity Risk Stratification Algorithm

为解决儿科急诊(PED)低 acuity(严重程度)病例激增和在线分诊工具缺乏验证的问题，瑞士伯尔尼大学医院团队开展了一项前瞻性研究，验证电子风险分层算法(eRSA) InfoKids+与护士分诊标准(nbTS)的一致性。研究发现两者仅存在轻微一致性(κlw =0.08)，InfoKids+存在50%的过度转诊率，但 underreferral(低估严重程度)仅5%。该研究强调了数字健康工具在临床应用前严格验证的重要性，为人工智能时代医疗算法的安全评估提供了重要参考。

　　

随着儿科急诊(PED)就诊量激增，低严重程度(acuity)病例占比高达54%，数字健康工具迎来发展机遇却也面临严峻挑战。在线自我诊断工具虽广泛应用，但43%的临床场景存在分诊错误，加之算法逻辑不透明，使得这些"黑箱"工具的安全性和有效性备受质疑。在此背景下，瑞士伯尔尼大学医院的研究团队开展了一项开创性研究，对基于知名应用程序InfoKids开发的电子风险分层算法(eRSA) InfoKids+进行了系统验证，相关成果发表在《Mayo Clinic Proceedings: Digital Health》。

这项研究采用前瞻性队列设计，在瑞士伯尔尼大学医院儿科急诊开展为期20个月的实地验证。研究人员将1990名0-16岁患儿的监护人纳入研究，通过电子病例报告表(eCRF)收集临床数据，比较InfoKids+算法与基于澳大利亚分诊量表(ATS)的护士分诊标准(nbTS)在 acuity level(严重程度分级)判定上的一致性。主要评估指标包括线性加权κ值和对齐率，同时分析了症状组别和社会人口学特征对分诊准确性的影响。

研究结果显示，InfoKids+与nbTS仅存在轻微一致性(κ_lw
=0.08)。算法表现出明显的保守倾向：89%病例被判定为 urgent(<4小时)，显著高于nbTS的41%。具体而言，45%病例分诊结果一致，50%存在 overreferral(过度转诊)，而 underreferral(低估严重程度)仅占5%。值得注意的是，算法将29例(1%)实际 urgent病例错误归类为 no emergency(≥24小时)，暴露出潜在安全隐患。

在症状组别分析中，医疗主诉(如精神症状、意识障碍、呼吸困难)的 alignment(一致性)显著优于外科主诉(如切割伤、骨折)。社会人口学因素也显著影响分诊准确性：慢性病患者 alignment达62%，而外籍父母子女仅37-38%；5岁以下儿童 alignment(48%)优于年长患儿。

讨论部分指出，InfoKids+的保守设计虽保障了患者安全，却可能导致医疗资源浪费。研究揭示了数字健康工具在临床应用前严格验证的必要性，特别是在算法逻辑优化、文化适应性改进和持续学习机制建立等方面。虽然人工智能技术为算法改进提供了新机遇，但必须建立在可靠数据源和响应式验证框架基础上。

该研究的创新价值在于首次对儿科电子分诊工具进行了系统临床验证，填补了该领域研究空白。研究不仅为InfoKids+的后续优化指明了方向，更对数字健康时代的医疗算法评估提供了方法论参考。随着欧盟2020年指令要求医疗算法需经安全有效性验证方可临床应用，这类研究的重要性将日益凸显。未来研究应关注如何平衡算法安全性与实用性，以及如何整合人工智能技术实现持续性能优化。