急诊科临床决策支持系统中整合风险预测评分识别健康相关社会需求患者的研究与应用

本研究针对急诊科(ED)识别健康相关社会需求(HRSNs)的挑战，开发并整合了基于FHIR标准的风险预测评分系统至临床决策支持(CDS)工具Health Dart中。通过两阶段半结构化访谈确定ED临床医生偏好，结合健康信息交换(HIE)和临床数据建立逻辑回归模型。结果显示，模型对食物不安全、交通障碍和经济压力的敏感性较高(AUC 0.60-0.67)，采用可视化编码和差异化阈值的设计方案可有效支持临床决策。这项研究为利用HIE数据和外部CDS系统改善急诊科社会需求筛查提供了可行路径。

　　

在当今医疗系统中，健康相关社会需求(HRSNs)如住房不稳定、食物短缺和交通障碍等问题，正日益成为影响患者预后的关键因素。急诊科作为医疗系统的"前哨站"，常常是识别这些社会需求的第一线，但繁忙的临床环境和碎片化的信息记录使得系统化筛查面临巨大挑战。据统计，美国急诊患者中食物不安全的发生率高达63%，住房不稳定达46%，这些因素不仅增加医疗成本，更导致重复就诊和治疗依从性下降。传统依赖人工问诊的筛查方式效率低下，而电子健康记录(EHR)中社会需求信息又往往不完整或不一致，这种现状催生了利用数据分析技术改善筛查效率的创新需求。

印第安纳大学的研究团队Olena Mazurenko等开展了一项开创性研究，旨在通过整合风险预测模型与现有临床决策支持系统(CDS)，提升急诊科对HRSNs的识别能力。这项发表在《JAMIA Open》的研究采用了"双管齐下"的方法论：一方面通过定性访谈收集临床医生对系统设计的偏好，另一方面利用健康信息交换(HIE)的跨机构数据构建预测模型。研究发现，采用颜色编码(如红色高亮)和图标提示(如房屋图标代表住房问题)的视觉设计最受临床医生青睐，而模型对食物不安全等特定需求的敏感性表现突出。这种将社会决定因素筛查与现代信息技术相结合的模式，为构建更智能、更人性化的急诊医疗服务提供了新思路。

研究团队采用了三项关键技术方法：(1)开展两阶段半结构化访谈(共8名ED临床医生参与)，使用主题分析法确定CDS设计规范；(2)收集1101名急诊患者的HRSN筛查问卷、EHR和HIE数据，应用Lasso回归筛选预测因子；(3)建立逻辑回归模型生成风险评分，并通过5折交叉验证优化性能。样本来自印第安纳波利斯地区医疗系统2021-2023年的急诊就诊成人患者，包含多元人口统计学和12个月内的医疗服务利用数据。

【Qualitative findings(ED clinician interviews)】部分揭示了临床医生的三大核心诉求：首先，医生希望风险评分能无缝嵌入现有工作流程，例如通过Health Dart系统查看评分后及时联系社工；其次，偏好直观的视觉提示如三色风险分级(低/中/高)和问题类型图标；最后，对模型性能展现出较高容忍度，可接受30-40%的假阳性率以降低漏诊风险。一位医生坦言："我宁愿模型更敏感些，因为漏诊的后果更严重"——这种务实态度为模型设计提供了重要参考。

【Quantitative findings】部分显示，研究样本以女性(59%)和非西班牙裔黑人(46%)为主，具有典型城市急诊科人口特征。预测模型识别出两个关键共性因子：无家可归者登记地址(回归系数β=1.16-1.82)和过去12个月>5次急诊就诊(β=0.28-0.63)。值得注意的是，激活患者门户(β=-0.29)和处方药数量多(β=-0.39)等指标与低风险相关，暗示医疗接触度可能缓解社会需求。模型整体表现中规中矩(AUC 0.59-0.67)，但对食物不安全(敏感性76.7%)和交通障碍(PPV 68.7%)的预测效能相对突出。

【Discussion】部分强调了三项创新价值：其一，首次验证了基于HIE的外部CDS整合方案的可行性，突破了传统EHR数据的局限性；其二，采用差异化阈值策略(如对少数族裔调整截断值)有效缓解了算法偏见问题；其三，尽管预测性能中等，但高特异性(最高达98.7%)的设计平衡了临床实用性与资源限制。正如作者指出，这种风险评分可视为"两阶段筛查"的第一环——先通过算法标记潜在病例，再由人工确认，这种分工模式在急诊高负荷环境下尤为实用。

这项研究开辟了多个未来方向：首先，需要评估风险评分在实际临床环境中的影响，目前团队已开展相关随机试验(NIH R01HS028008)；其次，模型性能仍有提升空间，特别是对住房不稳定等复杂需求的识别；最后，如何将此类工具与社区资源网络对接，形成"筛查-转介-干预"的闭环系统，将是下一阶段的研究重点。该成果不仅为急诊科社会需求筛查提供了新工具，更展示了跨系统数据整合与用户中心设计在医疗AI应用中的关键作用，对实现精准化、人性化的医疗服务具有重要启示意义。