综述：人工智能辅助急诊严重指数分诊对急诊护理准确性及选定结局影响的系统评价

本综述系统评价了人工智能（AI）辅助急诊严重指数（ESI）分诊系统在急诊护理中的应用效果。结果表明，AI辅助分诊可显著提升分诊准确性（AUC、F1分数、敏感性及特异性），减少过度分诊与分诊不足，优化等待时间与患者流程，但需注意数据依赖性与临床验证等挑战。AI应作为临床决策的支持工具，而非替代护理人员的专业判断。

　　

引言

急诊科（ED）过度拥挤是全球公共卫生领域的重要问题，直接威胁患者安全。这种现象源于急诊服务需求超过科室承载能力，导致诊疗延迟、并发症增加及等待时间延长。美国2022年急诊就诊量达1.44亿人次，进一步加剧了资源压力。过度拥挤不仅影响患者护理质量，还导致急诊护士工作压力升高、职业倦怠及满意度下降。

急诊分诊的核心在于根据病情紧急程度和资源需求为患者排序，确保危重患者优先获得救治。急诊护士在此过程中承担关键角色，需快速评估患者并合理分配资源。目前广泛应用的急诊严重指数（ESI）将患者分为五级：ESI 1（需立即救治）和ESI 2（紧急）属于高危群体，而ESI 3（急症）、ESI 4（半急症）及ESI 5（非急症）则根据资源使用情况分类。为缓解拥挤问题，现有策略包括分诊流程优化、动态人力调配、资源管理、快速通道系统及技术整合。

近年来，人工智能（AI）与机器学习技术为急诊分诊带来革新。通过分析大规模数据、识别模式并模拟人类推理，AI能够快速处理多变量输入，结合症状与历史数据为患者分级，从而提升分诊准确性、减少分诊偏差，并改善等待时间、治疗时间及患者流程等结局指标。AI驱动的分诊系统还有助于高效管理资源，尤其在就诊高峰期间发挥重要作用。

目标

本系统评价旨在评估AI辅助ESI分诊系统在提升急诊护理分诊准确性、改善选定结局（如过度分诊与分诊不足、等待时间及患者流程）以及分析实施障碍方面的效果。

设计

本研究遵循系统评价规范，并在国际系统评价前瞻注册库（PROSPERO）注册（编号CRD420251058909）。通过综合现有文献，重点探讨AI辅助ESI分诊在急诊护士操作场景下的应用成效及相关挑战。

方法

采用叙事性综合法对符合条件的研究结果进行整合，并使用混合方法评价工具（MMAT）2018版进行质量评估。纳入标准涵盖涉及急诊护士的AI辅助ESI分诊研究，且需报告分诊性能指标与实施难点。

数据来源

在CINAHL、Medline、PsycINFO、PubMed及Google Scholar数据库中检索2018年至2025年间发表的英文文献。

结果

共10项研究符合纳入标准。AI辅助ESI分诊系统在多项指标上优于传统分诊护理，包括曲线下面积（AUC）、F₁分数、敏感性及特异性。该系统同时降低了过度分诊与分诊不足的发生率，缩短了长时间等待，优化了患者流程。然而，其应用仍面临若干障碍，如对回顾性数据的依赖、模型验证需求以及护士群体的潜在抵触情绪。

讨论

本系统评价表明，AI辅助ESI分诊能有效提升急诊分诊的准确性与效率，支持护士在拥挤环境中做出快速且可靠的分诊决策。AI技术可作为有价值的决策辅助工具，但需与临床专业知识结合，而非取代人工判断。整合AI分诊系统有望优化工作流程、减轻工作负荷，并提高患者评估的精确度。

结论

AI辅助ESI分诊系统展现出显著潜力，可改善分诊准确性、减少分诊偏差并支持急诊科患者流程管理。证据支持AI作为决策支持工具的价值，但其应用需以增强临床专业能力为前提。

生成式AI在科学写作中的声明

本研究在撰写过程中使用了ChatGPT和Grammarly工具以确保内容准确性与连贯性。作者在完成后对全文进行了审阅与必要的编辑，并对发表内容承担全部责任。

作者贡献声明

Aekkachai Fatai：负责综述撰写、编辑、可视化、验证、监督、软件与资源管理、项目管理、方法设计、调查、形式分析、数据整理与概念化；Chakrit Sattayarom：参与撰写、编辑、验证、方法设计与调查；Wiwat Laochai：负责方法设计、调查与形式分析；Ekkalak Faksook：参与编辑、方法设计、调查与形式分析。

资金声明

本研究未获得任何特定资金支持。

利益冲突声明

作者声明不存在任何可能影响本研究的财务利益或个人关系。