基于知识提示调优与不确定性分类的急诊分诊系统KUTS：提升中危患者分诊准确性的创新研究

急诊分诊是医疗资源紧张环境下的关键环节，但中危患者（CETEC Level 3）的误判率高达34%。中山大学孙逸仙纪念医院团队开发了KUTS系统，通过知识提示调优编码器（Knowledge Prompt-Tuning）和不确定性分类器（Uncertainty-Based Classifier），在四组真实急诊数据集上实现中危患者AUC评分0.941-0.978，较传统方法提升14.81%-47.58%。该研究为优化急诊资源配置提供了AI解决方案。

　　

急诊分诊是医疗体系的第一道防线，但全球急诊科普遍面临两个难题：非紧急患者挤占资源，以及中危患者（如CETEC Level 3或ESI Level 3）的误判率居高不下。传统分诊方法如ESI的误诊率达34%，而护士因疲劳或经验不足导致的误判更可能造成资源浪费或延误治疗。这种"灰色地带"的识别困境，正是中山大学孙逸仙纪念医院（SYSMH）团队开发KUTS系统的核心动因。

研究团队通过分析98,719例急诊病例发现，中危患者占误诊总量的47.5%，其中误判为更高或更低危级的比例分别达10.6%和88.4%。为突破这一瓶颈，团队创新性地将自然语言处理技术与临床知识融合，构建了包含两大核心模块的系统：知识提示调优编码器将患者生命体征和主诉转化为文本提示（PIP），并动态嵌入专家知识（KP）；不确定性分类器则通过狄利克雷分布（Dirichlet Distribution）量化预测可信度，重点关注分界病例。

关键技术方法包括：1）基于T5-base预训练模型的提示调优，将结构化数据转换为自然语言输入；2）构建条件判断机制筛选相关临床知识（如"心率100-150次/分建议分诊3级"）；3）采用温度交叉熵损失（L_TCE）和不确定性损失（L_UN）联合优化；4）在SYSMH-S等四组数据集（含MIMIC-IV-ED的369,934例）进行验证。

研究结果显示：

1. 整体性能突破：在SYSMH-S数据集上，KUTS的AUC达0.960（95% CI: 0.956-0.965），较最佳基线模型IRENE提升4.69%。特异性（0.743）和阳性预测值（0.709）表现尤为突出。

2. 中危识别革新：针对最难判定的3级患者，AUC从IRENE的0.788提升至0.941，注意力可视化显示系统对"轮椅入院"、"血压异常"等关键特征权重提升54.3%。

3. 数据缺失鲁棒性：当输入数据缺失50%时，KUTS性能仅下降4.58%，显著优于IRENE的7.33%。

4. 跨机构泛化能力：在广东中医药大学附属医院（GTCMH）测试时，仅用SYSMH-S数据训练的模型AUC仍达0.914，较IRENE提高18.4%。

讨论部分指出，KUTS的创新性体现在三方面：首先，首次将知识提示技术应用于分诊场景，通过¹³CETEC指南的规则约束，使PLM（Pretrained Language Model）的语义理解与临床标准对齐；其次，不确定性分类机制让模型资源向边界病例倾斜，这正是人类分诊员的认知短板；最后，仅需生命体征和主诉的轻量级输入，使其适合院前急救等资源受限场景。

该研究的局限在于尚未验证与ATS、CTAS等其他分诊体系的兼容性。未来可探索结合影像等多模态数据，或部署于救护车智能终端。论文发表于《Communications Medicine》，为AI辅助急诊决策提供了新范式，其开源代码（GitHub）和在线演示系统已向临床机构开放。