人工智能在重症监护室中的应用落地:系统综述
本系统综述(活系统综述更新)检索5个数据库2020年7月28日至2024年6月10日文献,纳入1263项评估成人ICU内AI应用的研究。74%的研究处于技术就绪度(TRL)4级或以下,24%完成外部验证(TRL 5),仅2%进入临床整合(TRL≥6),无研究达到TRL 9。53%的开发研究被PROBAST评为高偏倚风险,主要来自分析域;仅16%引用了报告规范。结论认为AI从开发到临床实施的转化仍然有限,急需从回顾性验证转向前瞻性测试与落地应用。
要点
- 1263项ICU AI研究中,74%(936项)处于TRL 4或以下,仅2%(25项)进入临床环境(TRL≥6),无研究达到TRL 9。
- 外部验证(TRL 5)仅24%的研究完成,但比例从2020年14%升至2024年34%。
- 1103项开发研究中53%(581项)为高偏倚风险,主要来自分析域(42%),其次为结局域(18%)。
- 仅16%(207/1263)引用报告规范,2021年14%至2024年23%仅提高9个百分点。
- 生成式AI研究中47%(14/30)达TRL 5,但无一项整合入临床工作流。
适用人群与场景
- 纳入标准:评估专为ICU内使用而设计的AI应用、仅针对成人(年龄≥16岁)、全文英文、原创研究。
- 排除标准:训练模型所用数据非ICU期间采集,或模型范围超出ICU。
- 场景为ICU;纳入同行评议文献与预印本。
诊断标准与关键阈值
- 技术就绪度(TRL)分级:1级问题识别、2级提出方案、3–4级模型原型与开发、5级模型验证、6级实时测试、7级工作流整合、8级临床测试、9级整合入临床实践。
- 偏倚风险采用PROBAST评估,分为高、不清楚、低三个等级,覆盖参与者、预测因子、结局、分析4个域。
研究设计与关键结果
- 系统综述(活系统综述更新),检索5个数据库2020年7月28日至2024年6月10日,筛查17401条记录,最终纳入1263项研究,较前次综述(494项)增长156%,年均增长率约39%。
- 研究类型以回顾性研究为主;1233项包含判别式AI模型,其中40项为强化学习模型、30项为生成式AI模型(均使用大语言模型)。
- TRL分布:936/1263(74%)为TRL 4或以下;1215项开发模型的研究中447项(37%)使用内部数据集、562项(46%)使用MIMIC(I–IV)数据集、78项(6%)使用eICU协作研究数据库。
- 外部验证(TRL 5)302/1263(24%);临床整合25/1263(2%),其中TRL 6为5项、TRL 7为5项、TRL 8为15项,TRL 9为0项。
- 偏倚风险:581/1103(53%)为高偏倚风险,分析域460/1103(42%)、结局域202/1103(18%)、预测因子域14/1103(1%)、参与者域5/1103(<1%);低偏倚风险比例2020年7月前56/467(12%)vs 之后118/1103(11%);高偏倚风险比例从81%降至53%,不清楚风险比例从7%升至37%。
- 报告规范:207/1263(16%)引用报告规范,2021年14%至2024年23%;引用报告规范的研究中不清楚偏倚风险比例47/188(25%)vs 未引用者391/915(43%),前者低18个百分点。
- TRL≤5研究最常见目标为预测死亡(403/1238,33%)和预测并发症(391/1238,32%);TRL>5研究主要目标转为分析视频或图像(13/25,52%)和预测并发症(5/25,20%),无预测死亡(0/25)。
- 地理分布:TRL≤5研究中中国367/1238(30%)、美国295/1238(24%);TRL>5研究中中国1/25(4%)、美国9/25(36%)、台湾3/25(12%)。
证据类型、等级与局限
- 证据类型:系统综述(活系统综述更新),遵循PRISMA报告规范,已在PROSPERO注册。
- 偏倚风险评估工具:PROBAST(专为预测模型研究设计);未评估适用性。
- 局限:可能未捕获所有医疗AI模型,仅聚焦ICU特异性模型,排除了更广泛的临床应用。
- 局限:生成式AI、强化学习、无监督学习和自然语言处理模型虽纳入检索,但未应用PROBAST评估偏倚风险,因PROBAST专为传统预测模型研究设计;TRIPOD-LLM因在本研究完成后发布而未使用。
- 局限:PROBAST并非专为AI模型开发,专门针对AI的PROBAST当时尚在开发中。
- 局限:未对单个AI模型随时间在连续TRL中的进展进行追踪。
- 局限:本次更新距前次综述间隔4年,而部分期刊指南建议活系统综述每2年评估更新必要性。
对床旁实践的改变
- 作者认为,亟需范式转变,从回顾性验证转向AI的操作化与前瞻性测试,以实现切实的临床影响。
- 作者主张采取综合策略与集体实施努力,优先资助分配、加强外部验证合作、前瞻性评价与持续监测。
- 作者认为,活系统AI综述可提供跟踪进展和识别持续差距的必要框架,以加速转化。
提炼说明
- 原文未涉及「处置流程与药物剂量」「红旗征与不能漏的情况」「指南或共识出处」,故未列出这些栏目。
全文中译16 节 · 点击展开
引言
全球范围内的医疗保健专业人员正面临着患者数量增加、人员短缺和成本不断上升带来的日益增大的压力。1 这些挑战可能损害他们提供持续高质量照护的能力。若不及时干预,这些挑战预计将会加剧,导致照护可及性差异不断扩大、行政负担加重以及医疗保健专业人员工作满意度下降。人工智能(AI)有望通过优化工作流程、支持临床决策和改善患者结局来应对这些挑战。2
因此,医疗保健领域的AI研究,尤其是在重症监护病房(ICU)等数据丰富的环境中,已迅速增加。3 然而,尽管取得了进展,临床转化应用仍然有限。3 导致这种整合有限的一个重要因素是缺乏外部验证和前瞻性实施研究。最近的一篇综述发现,在美国食品药品监督管理局(FDA)批准的AI应用中,仅9%纳入了用于上市后监测的前瞻性研究,不到2%提供了关于安全性和有效性的详细科学出版物。4 此外,期刊编辑在评估AI应用时日益强调前瞻性评估的价值,这反映出更广泛的认识,即仅依靠历史数据集的回顾性性能无法捕捉临床复杂性。5,6 这一发现凸显了需要强有力的监管、严格的评估和透明的报告,以确保AI解决方案负责任地整合到日常临床实践中。导致AI在医疗保健中实施有限的其他因素包括工作流程整合不足、遵守相应法规的复杂性和耗时性、临床采用缓慢以及投资回报有限。7 此外,大部分资金主要用于开发新的AI模型,而非实施现有模型。8,9,10
鉴于这些挑战,对AI应用进行持续且最新的科学评估对于确保我们朝着实施方向取得进展至关重要。传统的系统评价提供了对现有文献的可靠且全面的科学概述,可指导实践、政策和未来研究。然而,它们往往难以跟上AI的快速发展,导致发表时见解已经过时。11,12 相比之下,动态系统评价(LSRs)提供了一种动态的解决方案。13,14 它们不仅更新最新证据,还突出与先前评价相比的差异,展示随时间推移的进展和持续存在的挑战。这种方法在快速发展的领域(如AI)或动态临床环境(如ICU)中尤其有益,在这些环境中,最新知识对于AI模型的实际运行和临床决策至关重要。
2021年6月,一项系统综述强调了需要推动人工智能模型从开发阶段迈向重症监护病房(ICU)的临床实施。3在本综合更新中,我们考察了ICU中人工智能模型随时间的发展进程,重点关注技术成熟度、偏倚风险、报告标准的使用以及地域贡献。鉴于大语言模型(LLM)和强化学习的最新进展,本综述纳入了针对这些类型人工智能的研究。利用这些见解,本综述旨在全面评估人工智能应用对临床实施的准备程度及潜在的关键障碍。
方法
本系统综述采用了系统综述和荟萃分析优先报告条目(PRISMA)报告指南。15在文献检索之前,本综述已在系统综述前瞻性注册(PROSPERO)数据库中注册。16我们在公开可用的数据库中延续了先前的检索3,并更新了研究结果和出版物,将其转化为一项人工智能-ICU活体系统综述(LSR)。该方法对于确保综述在快速演变的人工智能医疗保健领域保持时效性和相关性至关重要,其整合了先前的发现,允许进行随时间推移的纵向比较,有效捕捉进展,同时识别关键挑战。
检索策略
检索在5个数据库(Embase、MEDLINE ALL、Web of Science核心合集、Cochrane对照试验中心注册库和Google Scholar)中延续进行,时间范围为2020年7月28日至2024年6月10日。由于生成式人工智能和强化学习领域的近期进展,检索策略扩展了相关术语。Erasmus医学中心的医学图书馆协助制定了检索策略。数据库检索使用了重症监护病房、人工智能和决策支持的关键词及同义词。为全面涵盖生成式人工智能在医疗保健中的开发和部署范围,检索策略经过修改以纳入生成式人工智能的非决策支持研究。此调整是基于生成式人工智能预期用于行政目的的考虑。完整检索策略见补充材料1中的eAppendix 1。
纳入标准
如果出版物评估了专为ICU内使用而设计的人工智能应用、仅聚焦于成人患者(年龄≥16岁)、以英文全文形式可获取、且作为原创研究发表,则考虑纳入。当用于训练模型的数据并非在ICU住院期间收集,或模型的范围超出ICU时,则排除该出版物。人工智能应用被定义为在大数据集上训练的算法的产物。仅接受声明该模型属于人工智能领域或其同义词的出版物。如果出版物评估了人工智能模型的临床影响,则符合纳入条件。经同行评审的文献和预印本均纳入分析。详细纳入标准见补充材料1中的eAppendix 2。
研究选择
检索获得的引文在去除重复后导入Endnote 20(Clarivate Analytics)。随后将文献导出至Rayyan进行筛选。17 Rayyan是一种基于网络的标题和摘要筛选工具,旨在提高系统评价的质量和透明度。两位作者(W.E.M.B.和J.J.v.W.)独立评估所有标题和摘要的合格性。分歧由第三位作者(D.v.d.S.)解决。所选文章的全文由3位作者(W.E.M.B.、J.J.v.W.和J.D.W.)在Covidence系统评价软件(Veritas Health Innovation)中审阅以确定纳入,因为与Rayyan相比,该软件在自定义数据提取模板方面具有更好的可用性。全文筛选阶段排除的原因对每篇文献均进行了记录(图1)。
数据收集
在Covidence系统评价软件中创建了标准化数据提取模板,评估以下内容:(1) AI模型的目标,(2) 第一作者所在国家,(3) 用于开发和验证的数据集类型,(4) 数据集和患者组大小,(5) AI类型,以及(6) 是否引用了报告标准的使用。详细信息见补充材料1中的附录3。AI模型用于临床实施的准备度通过将其映射到适当的技术准备水平(TRL)进行评估,该概念最初由美国国家航空航天局开发,并改编用于ICU环境。18 各水平从AI模型的开发进展到临床实施:问题识别(1级)、解决方案提出(2级)、模型原型设计与开发(3级和4级)、模型验证(5级)、实时测试(6级)、工作流程整合(7级)、临床测试(8级)以及整合到临床实践中(9级)(补充材料1中的附录4)。
偏倚风险
我们使用PROBAST(预测模型研究偏倚风险评估工具)评估偏倚风险(分为高、不清楚和低)。该偏倚风险工具专门为预测模型研究设计,与其他可用的偏倚风险工具相比,更适合涉及AI模型的研究。19 我们未评估适用性,因为我们的关注点不是AI在特定治疗领域的价值。
统计分析
对2021年综述3和当前检索合并的研究集进行了偏倚风险和TRL评估,而所有其他结局仅根据本动态更新中新识别的研究进行计算。AI模型的目标与TRL一起以相应的数量和百分比呈现。偏倚风险按4个PROBAST领域(分类为参与者、预测因子、结局和分析)绘制,报告的结局以每个领域的百分比呈现。前次综述1中识别的偏倚风险添加在单独的面板中,以便于比较不同时期的情况。按TRL分类的出版物数量随年份绘制,并加入前次综述3的数据,以优化所有出版物随时间推移的AI操作化和AI出版物评价。鉴于本综述旨在提供AI模型当前状态的总体概览,而非比较性能指标或患者结局,因此不适用荟萃分析和异质性评估。
结果
出版物的识别
共识别出17 401篇出版物。经标题和摘要筛选后,对2239篇全文出版物进行了资格评估,其中1263篇符合纳入标准(图1)。前次综述3(起始至2020年7月)纳入了494项研究,表明过去4年间增长了156%,即年均增长率约为39%。用于比较前次综述3与当前综述的各部分所识别的研究总数为1757项。对于当前检索,排除的主要原因包括数据并非仅来自ICU患者(37%)、未开发AI模型(28%)或AI模型并非用于ICU(12%)。当前综述共1233项研究纳入了判别式AI模型,其中40项为强化学习模型,30项包含生成式AI模型,均使用LLM。当前检索纳入出版物的完整列表及相应研究条目见补充材料1的eAppendix 5。
负责任的开发与部署
使用PROBAST标准对1103项开发研究进行了偏倚风险评估(图2)。总体而言,1103项研究中有581项(53%)被评定为高偏倚风险,主要由分析领域驱动(1103项中的460项[42%]),其次是结局领域(1103项中的202项[18%]),预测因子领域(1103项中的14项[1%])和参与者领域(1103项中的5项[<1%])的贡献极小。在1103项研究中,372项(34%)在参与者领域存在不明确偏倚风险,322项(29%)在预测因子领域,438项(40%)在分析领域。这些发现反映这些领域中至少有1个条目的方法不明确。随着时间推移,低偏倚风险研究的比例保持一致,截至2020年7月为467项中的56项(12%),随后时期为1103项中的118项(11%)。尽管两次检索中的大多数研究均被归类为高偏倚风险(2020年7月前为81%,之后为53%)但随时间推移有所下降,2020年7月之后不明确偏倚风险研究的百分比显著增加,从2020年7月前的7%增至当前的37%。
在1263项研究中,仅207项(16%)提及使用了报告规范。随着时间推移,报告规范的采用率呈现9个百分点的适度增长,从2021年的14%上升至目前的23%(补充材料1中的eAppendix 6和eFigure 1)。在各类报告规范中,个体预后或诊断多变量预测模型的透明报告(TRIPOD)和流行病学观察性研究报告的加强(STROBE)是最常被遵循的规范(补充材料1中的eAppendix 6和eFigure 2)。引用了报告规范的研究中偏倚风险不明确的百分比(188项中的47项[25%])比未引用的研究(915项中的391项[43%])低18%(补充材料1中的eAppendix 6和eFigure 3)。
技术就绪水平
图3展示了AI模型就绪度随时间的进展。在1263项研究中,936项(74%)在就绪度量表上被归类为4级或以下。在1215项开发了AI模型的研究中,447项研究(37%)使用了内部数据集,定义为从参与医院自身系统收集并仅限于该系统的数据;562项(46%)使用了MIMIC(重症监护医学信息库)数据集(I、II、III或IV);78项(6%)使用了开源eICU协作研究数据库数据集(补充材料1中的eAppendix 5和eFigure 4)。
外部验证(TRL 5),定义为在算法开发阶段未考虑的环境中评估其性能,20由1263项研究中的302项(24%)实施。详细信息见补充材料1中的eAppendix 6和eFigure 5。1263项研究中有25项(2%)将模型整合到临床环境中:5项研究整合了模型但未向工作人员展示结果(TRL 6),5项研究评估了整合模型的可行性(TRL 7),15项研究评估了模型的有效性(TRL 8)。没有研究被归类为TRL 9。
在30项生成式AI研究中,16项研究(53%)被归类为TRL 3和4,14项研究(47%)为TRL 5。在强化学习研究中,33项研究(83%)被归类为TRL 3和4,7项研究(17%)为TRL 5。未发现有任何研究将LLM(表1)或强化学习模型整合到临床工作流程中。
近年来,我们观察到进行外部验证的研究有所增加(图3)。进行外部验证(TRL 5)的研究百分比从2020年的14%上升至2024年的34%。2021年至2024年间,17%的TRL 5研究获得了低偏倚风险评级,而TRL低于5的研究为9%。尽管每年发表的研究数量不断增加,但从以开发和验证为重点的研究(TRL≤5)向将AI模型整合到实践中的研究(TRL>5)的过渡仍然极少,仅从2020年的1%略微增加至2024年的3%。值得注意的是,2021年之前没有研究达到TRL 9,截至2024年6月这一情况仍未改变。
人工智能模型目标相对于TRL
人工智能模型目标在不同TRL之间的分布总结于表2。在TRL为5或以下的研究中,最常见的目标是预测死亡率(1238项中的403项[33%])或并发症(1238项中的391项[32%])。相比之下,对于TRL大于5的研究,主要目标转向分析视频或图像(25项中的13项[52%])和预测并发症(25项中的5项[20%])。值得注意的是,TRL大于5的研究并未关注预测死亡率(25项中的0项[0%]),这突出表明随着模型超越开发阶段,其目标发生了转变。
人工智能成熟度的地理分布
中国和美国是ICU-AI研究的总体主要贡献者。对于TRL为5或以下的研究,中国占1238项中的367项(30%),美国占1238项中的295项(24%)。然而,当聚焦于已整合到临床工作流程中的研究(TRL >5)时,中国的贡献大幅下降至25项研究中的1项(4%),而美国仍以25项研究中的9项(36%)保持领先贡献者地位,其次是台湾地区,为25项研究中的3项(12%)(补充1中的eAppendix 5和eFigures 6和7)。
讨论
我们的系统综述发现,尽管近年来ICU中人工智能研究急剧增加,但大部分增长是由回顾性研究的显著增加所驱动,这表明人工智能模型越来越多地被开发,但并未用于临床实践。尽管在过去几年中高偏倚风险研究的比例有所下降,但反过来,风险未知的研究数量却增加了,并且报告标准的采用仍然很少。
尽管人工智能研究激增,但在所有类型的人工智能(包括生成式应用)中,预期的临床实施进展仍然有限。开发与实施之间持续存在的差距令人担忧,因为这代表着改善患者护理机会的错失和资源的低效使用。主要障碍包括缺乏外部验证、前瞻性评估有限、工作流程整合不佳、立法繁琐、临床采用缓慢、商业论证不足以及资金不充分。3,7,21为应对这些挑战,我们倡导全面的策略和集体实施努力,优先考虑资金分配、加强外部验证合作、前瞻性评估和持续监测。这种协调一致的努力对于促进临床实践中有效和可持续的采用至关重要。定期更新(如本LSR)对于跟踪进展和识别持续存在的挑战至关重要,可确保负责任且有影响力地整合人工智能系统以推进患者护理。
我们的发现与Han等人22近期的一篇综述一致,该综述强调了人工智能随机试验中真实世界评价的稀缺性以及地理和专科分布的不均衡。然而,我们的综述通过使用技术成熟度等级(TRL)评估技术成熟度并进行全面的偏倚评估,提供了更具动态性和可操作性的评价,从而更清晰地呈现了人工智能用于临床应用的成熟度。通过采用类似系统综述(LSR)的方法,我们不仅捕捉了人工智能研究的当前状况,还捕捉了其随时间的发展演变,识别出成功实现临床转化所必须解决的持续存在的差距。
一个值得注意的问题是,人工智能赋能的医疗器械注册临床试验数量众多,但在国家注册机构(如FDA)中的获批率却有限。23这一问题指向了将研究转化为实践中的系统性障碍。伦理核查清单,如Ning等人24提出的清单,以及实施科学原则的整合,如van de Sande等人25和Longhurst等人26所建议的,对于弥合开发与实际应用之间的差距至关重要。25,26结合诸如STANDING Together共识27等用于数据集透明度的框架,以及专注于医疗保健系统中人工智能整合成熟度的网络,如医疗保健人工智能联盟(CHAI)28和欧洲可信赖与负责任人工智能网络(TRAIN)–Europe,29这些倡议为建立负责任的人工智能实施的稳健原则和工作方式奠定了基础。不仅概述研究中的偏倚,还概述报告标准使用随时间演变的情况以及人工智能模型目标在TRL中的分布,对于为这些网络和框架的重点提供信息至关重要。统一性、结构化见解和清晰的概述——如本综述所提供的——极大地有助于协调利益相关方并确定可操作步骤的优先次序。例如,我们的综述强调,尽管报告标准的采用有所温和增长(在3年综述期内仅增长9%),但仍存在显著差距。同样,偏倚风险不明确的研究比例有所增加,反映出方法学透明度方面持续存在的不足。这一趋势不仅削弱了对模型有效性的信心,还阻碍了可重复性以及向安全临床实施的高效推进。30
在人工智能等新兴技术的背景下,包括近期生成式人工智能融入医疗保健领域,建立统一的文献评估标准对于确保负责任地实施至关重要。31尽管近期涉及伦理考量、24评估32和生物伦理原则33的出版物各自提供了有价值的见解,但它们在使用多样化标准和框架的同时聚焦于相似的挑战,这使得难以形成该领域的连贯概览或识别关键空白。通过使用一致的术语和指标评估随时间推移的进展,并将此方法构建为动态纳入新研究并追踪纵向趋势的活体系统综述(LSR)设计,我们的综述为该领域的演变提供了标准化和全面的视角。这种方法特别适用于人工智能等快速演变的技术,确保评估随时间保持相关性和可比性。首先,LSR方法正获得越来越多的关注,未来很可能以更具创新性的方式被应用。34其次,人工智能必须被视为一种具有全系统影响的变革性技术,类似于COVID-19大流行期间引入LSR时所经历的情况。35第三,通过避免综述过程和资源分配的不必要重复,LSR减少了通常与重复进行全面综述相关的工作量和时间投入。36这种方法强调了前瞻性临床评估的必要性,以弥合历史数据集上的回顾性性能与在活体患者群体上实时测试之间的差距。此类评估对于确保人工智能系统以安全、有效且与医疗保健核心价值相一致的方式从理论前景转化为实际影响至关重要。
偏倚和多样性仍然是关键挑战,因为医疗保健人工智能模型通常依赖于对边缘化群体代表性不足的数据集,从而强化了历史性的不平等。例如,有研究强调了黑人女性诊断率较低以及人工智能模型中的性别刻板印象。37解决这些差距需要公平性审计、增加数据集多样性、包容性研究实践以及报告标准的透明度。尽管我们的综述纳入了地理分布和多种数据集,但尚未完全代表全球多样性,这强调了需要更广泛的努力来确保公平的人工智能开发。此外,偏倚和多样性是PROBAST偏倚评估中未完全涵盖的关键问题。现有指南改善了人工智能在医疗保健中的适用性和报告,但在解决关键伦理考量方面仍存在不足。这些考量包括算法注册、训练和性能要求、算法偏倚的探索、隐私保护以及人工智能采用标准。
局限性
必须承认本研究的一些局限性。首先,鉴于进入医学文献的AI相关预测模型数量空前且速度迅猛,我们的系统综述可能未能涵盖所有医疗保健AI模型。我们特别聚焦于ICU-specific模型,从而排除了更广泛的临床应用,这些应用虽有价值,但并不直接为ICU诊疗提供依据。例如,最近一项将机器学习应用于实时护理文档记录的整群随机试验显著降低了住院患者病情恶化风险。38 尽管如此,本系统综述通过使用一致的检索词提供了全面的概述,为理解AI在医疗保健中的历时演变提供了有价值的见解。这使我们能够追踪该领域的进展、转变和持续存在的挑战。其次,本综述识别了若干使用生成式AI、强化学习、无监督学习和自然语言处理的模型。尽管这些模型被纳入检索,但未应用PROBAST评估其偏倚风险,因为PROBAST是专为传统预测模型研究设计的。未使用TRIPOD-LLM进行评估,因为该工具在本研究完成之后才发布。31 第三,PROBAST并非专为AI模型开发。专门针对AI的PROBAST目前正在开发中,但在本综述进行时尚不可用。39 第四,本综述未对随时间在连续TRL中推进的单个AI模型进行追踪。然而,这一见解可能为AI模型如何适应不同TRL提供有价值的信息,识别出引导该领域走向更有效策略的模式和依赖关系。第五,尽管若干期刊指南建议以2年间隔评估活系统综述更新的必要性,尤其是在COVID-19大流行等危机期间,但本更新是在4年之后进行的。34 然而,对于AI在医疗保健等新兴技术,我们认为定期更新对于追踪发展和应对持续挑战至关重要。诸如本LSR所提供的更新,对于识别该领域的空白至关重要。
结论
我们的系统综述突显了重症医学领域AI研究的急剧增长,这主要由回顾性研究所推动,但在所有类型AI(包括生成式AI)向临床实施方面的进展仍然有限。这些发现表明,亟需实现范式转变,转向AI应用的 operationalization(可操作化)和前瞻性测试,以确保其临床获益和影响。活系统AI综述可为追踪进展和识别持续空白提供重要框架,以加速这一转变。
参考来源
- Berkhout WEM, van Wijngaarden JJ, Workum JD, et al. Operationalization of Artificial Intelligence Applications in the Intensive Care Unit: A Systematic Review. JAMA Netw Open. 2025. PMID: 40699572. doi:10.1001/jamanetworkopen.2025.22866
- 全文:PMC12287835(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12287835/
供执业医师抢救与诊疗参考,不替代临床判断;剂量请结合体重、肝肾功能和本院药品规格复核,以指南原文为准。