指南与共识重症综合管理与镇静镇痛消化、代谢与肾脏急症

急诊医学人工智能准备度:为队伍建设做好准备的专家共识意见

Artificial Intelligence Readiness in Emergency Medicine: Expert Consensus Opinion for Preparing the Workforce.
指南 / 共识 · J Am Coll Emerg Physicians Open · 2026-09-11
一句话结论ACEP人工智能特别工作组提出教育、评估、建议三大协同优先事项,以推动人工智能在急诊医学中安全、公平、有效地整合。

该专家共识意见由美国急诊医师学会(ACEP)人工智能特别工作组制定,并于2025年获ACEP董事会正式认可。文章指出人工智能在急诊科分诊、影像、临床决策支持、文书记录和运营等场景的部署正在加速,而一线培训、评估基础设施和专业治理相对滞后。为此提出三项协同优先事项:教育(建立从住院医师培训到继续医学教育的标准化人工智能教育框架)、评估(提出由临床医生主导的三阶段人工智能工具审查框架)、建议(呼吁建立国家急诊医学人工智能咨询委员会)。这些建议为急诊医学中人工智能的安全、公平和有效整合提供了可适应的专家推导基础。

要点

  • ACEP人工智能特别工作组于2025年获ACEP董事会认可,提出教育、评估、建议三项协同优先事项,以弥补急诊医学人工智能准备度差距。
  • 教育支柱建议ACEP、SAEM、CORD、EMRA、AAEM、ACOEP、ABEM和ACGME合作建立统一国家战略,将算法评估、偏见缓解和数据治理嵌入住院医师里程碑和继续医学教育要求。
  • 评估支柱提出由临床医生主导的三阶段序贯审查框架:第1阶段评估合作方、市场可行性和临床问题;第2阶段从临床、财务、伦理和技术维度评估技术;第3阶段管理部署、持续监测和迭代。
  • 评估框架中每个阶段均为序贯关口,未能达到标准即暂停推进,直至缺陷得到解决且标准得到满足。
  • 建议支柱呼吁建立国家急诊医学人工智能咨询委员会,发布非约束性最佳实践建议、共享语言和实用工具包,而不增加监管负担。

适用人群与场景

  • 急诊医师及其临床团队,涵盖学术中心、社区医院和关键接入医院等不同实践环境。
  • 从住院医师培训阶段到继续医学教育阶段的急诊医学工作者。

诊断标准与关键阈值

  • 文中「人工智能」涵盖任何利用数据来自动化或增强临床或运营决策的软件系统,包括影像分析、分诊算法以及应用于文书记录和沟通的大语言模型。
  • 三阶段评估框架中,每个阶段均为序贯关口;未能达到标准即暂停推进,直至缺陷得到解决且标准得到满足。
  • 非生成式人工智能中,临床决策支持和预测算法等单一用途工具在适用时应归类为医疗器械软件(SaMD),并具有明确的预期使用场景、具有代表性的训练数据,以及用于在整个产品生命周期内安全更新和监测的预定变更控制计划(PCCP)。

处置流程与药物剂量

  • 第一步(第1阶段,谁与为什么):评估人工智能合作方、市场可行性和临床问题,首先询问该人工智能工具是否解决急诊科真实存在且尚未解决的问题。
  • 第二步(第2阶段,什么与如何):从临床、财务、伦理和技术维度评估该技术,包括临床实用性、财务预测、伦理审查和工作流程设计与部署前准备。
  • 第三步(第3阶段,影响与监督):管理部署、持续监测和迭代,临床医生测量工具的实际影响并继续监测,提供持续的定性和定量反馈。
  • 工作流程设计阶段,急诊医师作为临床倡导者运用实施科学最佳实践,与护士及辅助人员共同设计工作流程,提供实用提示表和参考指南,并最初在现场进行故障排除和辅导课程。
  • 每日复盘会议确保持续学习并对工具及相关工作流程进行重新校准。
  • 高风险工具可能经历静默部署,在实时电子健康记录中运行并隐藏输出,以在向临床医生公开之前观察性能;低风险试点可使用较短的静默试验来收集遥测数据而不干扰照护。
  • 生成式人工智能团队应具备保障措施,以确保所有输出的透明度、减少偏倚和准确性,包括监测和抑制幻觉或要求有证据支持的应答的机制。

红旗征与不能漏的情况

  • 完全由从未在医院工作过的工程师组成的团队,往往会遗漏成功解决方案所需的利益相关者和细节。
  • 对潜在合作伙伴财务可持续性评估不足,可能使大量临床和技术资源投入到一个最终可能失败的合作关系中。
  • 如果不对潜在合作方的准备情况和能力进行适当评估,科室投入就有可能沦为徒劳。
  • 如果没有医生充分参与设计过程,人工智能工具可能无法解决最紧迫的临床需求。
  • 临床医生需要能够识别潜在的利益冲突和算法偏倚的迹象,这些偏倚可能加剧脆弱人群的健康差异。

研究设计与关键结果

  • 本专家共识意见为ACEP人工智能特别工作组的正式工作成果,于2025年获得ACEP董事会正式认可,通过特别工作组成员的结构化审议制定。
  • 文章提出急诊医学人工智能准备度的三项协同优先事项:教育、评估、建议。
  • 教育支柱建议ACEP、SAEM、CORD、EMRA、AAEM、ACOEP、ABEM和ACGME合作建立统一国家战略,以AAMC专科特定的人工智能能力为基础,包含三个核心目标:为ED使用定义明确的伦理和专业指南,为急诊医师建立统一的循证课程,并将基础技能——算法评估、偏见缓解和数据治理——嵌入住院医师里程碑和继续医学教育要求中。
  • 评估支柱提出三阶段序贯审查框架,涵盖对人工智能合作方的尽职调查、评估临床价值与工作流程适配性,以及工作流程设计与部署前准备。
  • 评估框架以FURM框架为依据,该框架描述了模型预测、将这些预测转化为临床决策的临床方案,以及一线工作人员根据这些决策采取行动的能力之间的关系。
  • 建议支柱呼吁建立国家急诊医学人工智能咨询委员会,发布非约束性最佳实践建议、共享语言和实用工具包,帮助急诊医生应对人工智能整合的复杂性。
  • 咨询委员会的任务包括:为所有急诊医生的认证和资质认定建立核心AI能力;开发和发布一个开放的、专业特定的AI工具评估框架;维护一个动态的培训材料和实施手册存储库;监督一个涵盖学术中心、大型社区医院和较小关键接入医院的试点站点网络。

证据类型、等级与局限

  • 证据类型:专家共识意见(ACEP人工智能特别工作组的正式工作成果,2025年获ACEP董事会正式认可)。
  • 建议反映了积极参与人工智能治理和实施的急诊医师的集体判断。
  • 评估框架借鉴了现有评估框架以及工作组的集体临床和运营经验。
  • 局限:原文未报告局限性。

对床旁实践的改变

  • 作者建议ACEP、SAEM、CORD、EMRA、AAEM、ACOEP、ABEM和ACGME合作,为急诊医学中的人工智能教育和人工智能就绪的队伍建设建立统一的国家战略。
  • 作者建议该国家战略应以AAMC专科特定的人工智能能力为基础,包含三个核心目标:为ED使用定义明确的伦理和专业指南,为急诊医师建立统一的循证课程,并将基础技能——算法评估、偏见缓解和数据治理——嵌入住院医师里程碑和继续医学教育要求中。
  • 作者建议本地人工智能专业知识或信息学支持有限的较小社区项目可以使用由国家组织和大型学术医学中心开发的免费、急诊医学特定虚拟模块;中等能力的项目可以参加区域研讨会;大型学术医学中心和其他资源充足的机构应公开分享课程、实施指南和评估工具。
  • 作者建议ACEP和SAEM可以通过关于高级概念、实践培训和深入案例研究的研讨会进一步补充这一基础。
  • 作者推荐采用结构化、由临床医生主导的流程,在临床部署前对人工智能工具进行评估。
  • 作者建议建立国家急诊医学人工智能咨询委员会,发布非约束性最佳实践建议、共享语言和实用工具包。
  • 作者认为急诊医生必须继续掌舵,以确保人工智能改善患者预后。

指南或共识出处

  • Artificial Intelligence Readiness in Emergency Medicine: Expert Consensus Opinion for Preparing the Workforce,美国急诊医师学会(ACEP)人工智能特别工作组,2025年获ACEP董事会正式认可,发表于JACEP Open。
全文中译26 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者(PMC Open Access),按 CC BY 许可使用,本译文为翻译改编。出处:J Am Coll Emerg Physicians Open. 2026 Sep 11;7(6):100503. doi: 10.1016/j.acepjo.2026.100503

背景

在急诊医学中,人工智能(AI)的主要应用场景包括分诊与早期风险分层、1, 2, 3 影像分诊与决策支持、4, 5, 6 去向预测、7, 8, 9, 10, 11 运营管理、12,13 时间敏感性疾病的检测、14,15 文书记录与患者沟通、16, 17, 18 以及计费优化。19 大多数AI工具仍处于研究、试点或验证阶段,但部署正在加速,20, 21, 22, 23, 24, 25 而一线培训却相对滞后。住院医师和主治医师往往缺乏评估或监督这些产品的能力,24,26, 27, 28, 29 与此同时,初创企业和成熟供应商却在向急诊科推销未经证实的解决方案。由于缺乏共享框架,各科室难以区分安全工具与高风险工具,30, 31, 32 且不存在统一的全国性声音来指导教育、标准制定或审查,导致相关工作各自为政。33, 34, 35, 36

目的

提出最佳实践建议,以帮助急诊医师及其团队为AI的实施和AI辅助的诊疗服务做好准备,包括将AI安全有效地整合到急诊医学实践所需的临床、技术和人力资源能力。

方法

本专家共识意见是美国急诊医师学会(ACEP)AI特别工作组的正式工作成果,并于2025年获得ACEP董事会正式认可。该共识通过特别工作组成员的结构化审议制定,提出了帮助急诊医师及其临床团队为AI整合到急诊诊疗中做好准备的最佳实践。建议反映了积极参与AI治理和实施的急诊医师的集体判断。

就本文件而言,“AI”涵盖任何利用数据来自动化或增强临床或运营决策的软件系统,包括影像分析、分诊算法以及应用于文书记录和沟通的大语言模型。本文所述的各项原则旨在适用于急诊医学中AI应用的全部范畴。

为弥补这些差距,本专家共识提出了急诊医学AI准备度的3项协同优先事项(图1):•教育:建立临床医师教育和人力资源培训的最佳实践。

评估:提供由专家推导的AI工具评估与审查框架。

建议:推进将AI安全、公平且有效地整合到患者诊疗中的国家战略。

本图总结了该框架的3大支柱:教育,即在急诊医学人力资源中建立AI素养和能力标准;评估,即提供结构化、由临床医师主导的流程,从临床、财务、伦理和技术维度评估AI工具;建议,即协调国家指导、统一标准,并支持在不同实践环境中公平采用。

图1 急诊医学AI准备度的教育、评估与建议框架。 查看原图 ↗

教育:利用现有资源和模块

教育支柱旨在为急诊医学工作者建立人工智能素养的共同基础。正式的纵向人工智能教学并不常见,26, 27, 28,36, 37, 38, 39 而有限的课程时间、稀缺的师资专业知识和相互竞争的优先事项留下了准备差距。27, 28, 29,36, 37, 38, 39 尽管存在这些不足,越来越多基于人工智能的解决方案正在被整合到急诊科(ED)工作流程中,22,23,38,40 而这种基础知识与实践现实之间的不匹配引发了对患者安全的担忧。20,22,23,27,38,40 美国医学会(AMA)指出,医生可能因过失选择人工智能而承担责任,且法律标准正在迅速演变以涵盖人工智能的使用。34,41 这凸显了为跟上医学法律和技术变化所需的专科范围技能提升。26,28 幸运的是,美国医学院协会(AAMC)和多个专科协会已在医学培训中广泛普及人工智能素养的必要性上达成共识。29,34 AAMC已定义了其自身关于在教育中负责任使用人工智能的原则,并强烈鼓励住院医师培训项目制定全面的课程和核心能力,以使其 workforce 做好准备有效利用人工智能。27,29

现有基础:可供构建的基础

人工智能教育的基础资源已存在于医学领域。若干主要医学组织已开发了免费、高质量的课程,包括AAMC的“医学教育者人工智能技能建设”网络研讨会系列和AMA的“医疗保健中的人工智能”微学习系列。29,42 这些项目共同为临床医生提供了发展人工智能素养的可及入口,并表明急诊医学中的结构化人工智能教育既可行又可扩展。然而,实施仍然分散,采用不一致,且获取往往集中在资源充足的学术中心。27, 28, 29,39

我们的建议:统一的国家战略

我们建议ACEP、SAEM、CORD、EMRA、AAEM、ACOEP、ABEM和ACGME合作,为急诊医学中的人工智能教育和人工智能就绪的 workforce 建立统一的国家战略。27,29,36, 37, 38, 39,43,44 具体而言,该战略应以AAMC专科特定的人工智能能力为基础,包含3个核心目标:为ED使用定义明确的伦理和专业指南,为急诊医师建立统一的循证课程,并将基础技能——算法评估、偏见缓解和数据治理——嵌入住院医师里程碑和继续医学教育要求(CME)要求中。27,29 为确保在不同培训环境中的广泛采用,该战略应考虑师资专业知识、受保护教学时间、信息学支持和机构基础设施方面的差异。本地人工智能专业知识或信息学支持有限的较小社区项目可以使用由国家组织和大型学术医学中心开发的免费、急诊医学特定虚拟模块;中等能力的项目可以参加区域研讨会;大型学术医学中心和其他资源充足的机构应公开分享课程、实施指南和评估工具。27 ACEP和SAEM可以通过关于高级概念、实践培训和深入案例研究的研讨会进一步补充这一基础。27

评估:临床医生主导的人工智能技术审查框架

建立审查框架的必要性

“评估”支柱推荐采用结构化、由临床医生主导的流程,在临床部署前对人工智能工具进行评估。该三阶段框架借鉴了现有评估框架以及工作组的集体临床和运营经验,包括对人工智能合作方进行尽职调查、评估临床价值与工作流程适配性,以及工作流程设计与部署前准备。急诊医师如果对人工智能原理有深入理解,并通过工作流程模拟案例研究获得实践经验,就可以学习并应用由临床医生主导的框架来审查急诊科的人工智能技术。30,31,33 这将有助于避免一个艰难的过程:投入大量时间和人力资本进行面谈和谈判、撰写资助申请、签订主服务协议、审查数据安全与架构、动员必要的利益相关方,结果后来才发现该公司无法满足支持整合过程和长期支持所需的技术需求或财务承诺。30,32,39 如果不对潜在合作方的准备情况和能力进行适当评估,科室投入就有可能沦为徒劳。24,30,45 结构化、由临床医生主导的框架对于引导潜在的内部或外部产业合作方经历明确定义的开发阶段至关重要,利用严格的临床评估方法确保只有解决最重要战略优先事项的解决方案才能推进到实际合作关系。29,31,33,46 如果没有医生充分参与设计过程,人工智能工具可能无法解决最紧迫的临床需求。47

该框架引导临床医生完成涵盖3个阶段的序贯评估:第1阶段(谁与为什么)评估人工智能合作方、市场可行性和临床问题;第2阶段(什么与如何)从临床、财务、伦理和技术维度评估该技术;第3阶段(影响与监督)管理部署、持续监测和迭代(图2)。每个阶段都是一个序贯关口;未能达到标准即暂停推进,直至缺陷得到解决且标准得到满足,最终形成结构化报告,以支持就急诊护理中采用人工智能做出透明、可问责的决策。

图2 急诊医学中审查和部署人工智能的三阶段框架。 查看原图 ↗

对人工智能合作方的尽职调查

尽职调查首先询问:“该人工智能工具是否解决急诊科真实存在且尚未解决的问题?”临床医生确认该解决方案针对真实的急诊科挑战,包括更快的危重诊断、更好的诊疗流通量或类似优先事项。30 这一早期筛查有助于过滤掉不符合科室最高战略优先事项的技术,并帮助临床医生识别哪些解决方案值得进一步考虑。30, 31, 32 学术机构,如斯坦福大学,已证明将外部产业合作方与人工智能和信息学专家联系起来的结构化内部路径可以简化新兴卫生技术的评估。33

如果是,急诊科应对团队和技术二者运行全面的尽职调查流程。尽管以下示例具体针对探索学术或社区医院合作关系的公司,但同样的原则适用于卫生系统内部开发的解决方案。

临床可信度

理想情况下,创始团队中应有一名了解急诊科现实情况和工作流程的急诊医师或医生。33,47 完全由从未在医院工作过的工程师组成的团队,往往会遗漏成功解决方案所需的利益相关者和细节。24,33 临床倡导者在同时具备一线临床专业知识和足够的技术素养时最为有效,这样才能批判性地评估人工智能工具、评价其与现有工作流程的契合度、预判整合挑战和错误,并判断其是否针对正确的使用场景。24,30 他们可以在与临床决策、患者安全和科室工作流程相关的事务上提供决策权,并就其对人工智能工具用户界面和输出的体验提供早期反馈。33

过往业绩与经验

创始人、产品负责人或内部团队成员是否有开发健康技术和应对监管要求的既往经验,还是他们对该领域的临床和运营需求尚不熟悉?曾在临床环境中将人工智能产品走完整个开发和部署生命周期的团队,更有能力预判持续实施中的运营、技术和监管挑战。30 团队还应展示其对FDA关于人工智能和机器学习法规的熟悉程度,涵盖过去和当前产品。32,48,49 对于非生成式人工智能,诸如临床决策支持和预测算法等单一用途工具在适用时应归类为医疗器械软件(SaMD),并具有明确的预期使用场景、具有代表性的训练数据,以及用于在整个产品生命周期内安全更新和监测的预定变更控制计划(PCCP)。31 对于可针对多种任务生成新文本和图像的生成式人工智能,团队应具备保障措施,以确保所有输出的透明度、减少偏倚和准确性,包括监测和抑制幻觉或要求有证据支持的应答的机制。24

财务稳定性

无论医院计划(1)共同开发和验证,还是(2)试点并整合人工智能产品,这一过程都可能需要数月到数年。对于合作医院而言,确保任何行业合作伙伴拥有支持多年合作关系的财务 runway 至关重要。30,33 初创公司的规模和融资范围各异,从种子前(通常融资额<$500K)到C轮及以后(通常$30M–$100M+),更高的轮次反映更长的 runway 和产品成熟度。对潜在合作伙伴财务可持续性评估不足,可能会使大量临床和技术资源投入到一个最终可能失败的合作关系中。32,45

市场占有率

有多少家规模、业务量和病情严重程度相似的同行医院已经付费使用该产品?在同行机构中经证实的采用情况和成功经验,可以成为未来表现的有力信号。30,31 此外,外部合作伙伴必须与试图解决相同问题的竞争对手形成有意义的差异化。应优先选择已证明能够从试点阶段扩展到企业级部署、并伴随合同续签和持续使用的供应商。33,50

证明临床价值和工作流程契合度

尽管公司通过临床医生主导的尽职调查关口很重要,但同样重要的是,公司的AI产品要接受评估,看其是否能够实际大规模交付可衡量的价值。30,31,45 这种更深入的产品分析侧重于对所提出的AI工作流程本身进行结构化的、由临床医生主导的评估。31,51 这一过程以FURM框架为依据,该框架描述了模型预测、将这些预测转化为临床决策的临床方案,以及一线工作人员根据这些决策采取行动的能力之间的关系。52 在采用AI解决方案之前,急诊科必须权衡财务、伦理和工作流程方面的现实因素,这些因素决定了有前景的概念能否转化为真实世界的临床获益。24,30,31,49,53

临床实用性

急诊医生必须通过映射建议出现的准确工作流程步骤来检验供应商的声明,并判断这些输出在现实世界约束条件下是否可操作,包括人员配比、等待时间、CT排队、滞留和警报疲劳。12,15,30,31,53 模拟演练有助于揭示预期收益是否有意义;如果没有意义,急诊科领导可以在投入更多时间之前选择放弃。30,31,54

财务预测

科室领导需要评估模型部署的财务影响。30,45 进行财务分析是为了确保AI工具代表一项可持续的投资,并纳入与构建或购买该解决方案相关的所有相关支出。39,45 这些费用包括云计算需求、临床和技术人员配置的变化,以及与调整临床运营和工作流程相关的成本。这些信息可用于计算标准诊疗与模型引导诊疗之间预期收入和支出的差异。30

伦理审查

伦理评估在这一阶段同样重要。24,31,49 科室领导需要考虑多元利益相关者的视角,包括同行医生、护士、患者、代表性不足的社区和技术人员,目标是识别模型设计和部署中潜在的伦理冲突或疏漏。20,24 临床医生需要能够识别潜在的利益冲突和算法偏倚的迹象,这些偏倚可能加剧脆弱人群的健康差异。24,29 这确保纳入AI技术的整个过程是公平、透明和负责任的。24,49 如果出现任何担忧,受影响的利益相关者可以在部署前共同解决这些问题。24,39

工作流程设计与部署前准备

一旦工具通过临床和财务尽职调查,临床医生便与IT团队共同设计部署计划,以确保AI输出出现在正确的工作流程步骤,并提示预期行动而不干扰诊疗。1,2,53 这一指导可防止对患者诊疗的干扰,并确保该工具支持而非复杂化决策。53

在此阶段,急诊医师成为临床倡导者,运用实施科学最佳实践,并与护士及辅助人员进行共同设计工作流程,以考虑运营障碍。15,24,39 这些倡导者提供实用提示表和参考指南,以标准化使用并尽量减少认知负担。最初,他们还应在现场进行故障排除和辅导课程。15 每日复盘会议确保持续学习并对工具及相关工作流程进行重新校准,从而改善实时性能和迭代反馈。53

持续监测与迭代改进

部署后,临床医生测量工具的实际影响并继续监测。31 医师帮助建立超越统计指标的临床有意义结局,确保通过全面评估,评价聚焦并优先关注对患者照护、急诊科运营和临床结局真正重要的事项。30,47 在此阶段,医师作为临床倡导者,就工具如何影响临床决策、团队动态以及警报疲劳等潜在问题提供持续的定性和定量反馈。15,24,53 他们作为系统性能完整性的前线监测者,了解工具随时间推移的表现。30,31 高风险工具可能经历静默部署,在实时电子健康记录中运行并隐藏输出,以在向临床医生公开之前观察性能;而低风险试点可使用较短的静默试验来收集遥测数据而不干扰照护。14,24,31,32,46

培训临床医生进行人工智能评估

成功实施要求医师准备好应用该框架,利用共享在线中心提供培训材料和医学人工智能基础内容。26,29 基于真实学术—产业合作的简短在线案例研究可帮助医师培养评估潜在合作伙伴所需的技能。24,31,32 模块可能包括评估供应商模拟、质疑财务预测和可持续性,以及识别影响急诊科人群的伦理风险和算法偏倚。24 通过定期实践,医师学会关注真正重要的事项:人工智能工具在急诊科环境中的证据、功能性和临床适用性。30,31 这使医师能够就拟议工具是否具备支持性临床依据、人员配置和保护措施,从而将统计学上的前景转化为床旁真实世界改善,做出知情决策。

建议:国家咨询委员会

统一标准的必要性

“建议”支柱倡导建立统一的国家声音,以制定标准、共享资源,并确保AI在所有急诊医学实践环境中公平采用。急诊科是一个独特的高要求环境,不同于其他临床环境,在那里开发和实施用于支持临床工作流程并在急性危及生命情况下提供建议的AI工具,必须由明确的、专家知情的最佳实践建议来指导。制定这一指导最好通过协作性的咨询领导和跨组织协调来完成。33,55 这些建议确保AI工具经过深思熟虑的设计、严格的评估和负责任的实施,以满足急诊护理不可预测的本质。30,31 医院随后可以将其作为特定场所方案的概念指南针,而不意味着外部监督或监管权威。ACEP领导和合作学会将这一咨询委员会视为共识的必要条件,也是在保持全专业标准的同时跟上AI部署步伐的唯一可扩展方式。

多元化的多组织声音

国家急诊医学AI咨询委员会非常适合制定最佳实践建议,因为它可以在简明的章程下启动、以虚拟方式召开会议并快速迭代共识声明,同时利用现有学会资源和志愿专家。31 由于该委员会在简明的章程下与志愿专家一起运作,它可以快速发布非约束性实施工具包,而医院则在学术、社区和关键接入环境中共享试点结果。31,33

该咨询机构应包括来自ACEP、AAEM、SAEM、EMRA和其他利益相关者的代表。它将发布非约束性最佳实践建议、共享语言和实用工具包,以帮助急诊医生应对其实践中AI整合的复杂性。31,33 通过在共享定义、评估标准和实施策略上保持一致,这些组织为医生、卫生系统和行业合作伙伴提供清晰、一致的指导,并防止相互竞争的指南所造成的混乱。35

该小组的任务是确定急诊医学中AI的国家战略,重点关注以下核心领域:1.为所有急诊医生的认证和资质认定建立核心AI能力

开发和发布一个开放的、专业特定的AI工具评估框架

维护一个动态的培训材料和实施手册存储库

监督一个涵盖学术中心、大型社区医院和较小关键接入医院的试点站点网络。让这些与急诊护理相关的各类机构参与进来,为委员会制定反映急诊医学实践全貌的指南提供了基础。

为我们的专业倡导

如果没有强有力的内部领导来阐明共识指导,监管机构、支付方或大型技术公司将强加忽视床旁现实的要求,因此急诊医生必须继续掌舵,以确保AI改善患者预后。24,40,41,47

结论

人工智能在急诊医学中的整合已在分诊、影像、临床决策支持和运营等方面展开。4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19,25,56,57 为跟上这一步伐,临床医生需要协调的工具、培训和治理。本专家共识意见提出3项行动:标准化从住院医师培训到持续继续医学教育(CME)的教育,使每位医生具备共同的核心能力基线;36,37 部署由临床医生主导的审查框架,从未经 Validation 的产品中筛选出安全、有效的工具;24,46,51 并建立国家咨询机构,发布共享术语、最佳实践指导和资源库,而不增加监管负担。31, 32, 33, 34, 35 总之,这三大支柱——教育、评估和咨询——确保人工智能改善决策、支持公平并保护患者结局。

资助与支持

根据《JACEP Open》的政策,所有作者均须按照ICMJE利益冲突指南(见www.icmje.org)披露与本文主题以任何方式相关的任何及所有商业、财务和其他关系。作者声明不存在此类关系。

写作过程中生成式人工智能和人工智能辅助技术的声明

作者使用普遍可用的大语言模型协助编辑润色。所有内容均由作者审查、核实和批准,作者对工作的准确性、完整性和原创性承担全部责任。

利益冲突

所有作者均已确认无利益冲突需要声明。

参考来源

  1. Dash D, Macalalad J, Lum DL, et al. Artificial Intelligence Readiness in Emergency Medicine: Expert Consensus Opinion for Preparing the Workforce. J Am Coll Emerg Physicians Open. 2026. PMID: 42757008. doi:10.1016/j.acepjo.2026.100503
  2. 全文:PMC13584041(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13584041/

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。