机器学习临床决策支持工具用于提示病情恶化病因与治疗：开发与可用性测试
Development and usability testing of a machine learning clinical decision support tool for suggesting etiologies and treatment of clinical deterioration
RSS 订阅 · Journal of Critical Care
一句话结论在实验室环境中，包含机器学习决策支持的电子病历界面可提升临床医生诊断准确性、降低感知工作量并提高满意度（均p<0.05）。
本研究采用顺序探索性混合方法，先通过焦点小组（26名临床医生）获取ML-CDS界面设计需求，再经可用性测试（n=23）评估其对临床医生表现的影响。,设计需求包括理解ML-CDS建议的理由、评估电子病历数据质量问题对推荐准确性的影响、单屏整合关键信息、图形化展示信息、以及融入既有照护路径。,可用性测试在受控实验室中进行，实验界面（含ML-CDS工具）与对照界面（不含）相比，诊断准确性、感知工作量和满意度均有改善（均p<0.05）。,研究提示，满足临床医生设计需求可能提高ML-CDS的接受度和整体可用性，但需在真实临床环境中进一步验证。
要点
- 焦点小组（26名临床医生）确定ML-CDS界面核心需求：解释推荐理由、展示数据质量影响、单屏整合信息、图形化展示、融入现有流程。
- 可用性测试（n=23）中，含ML-CDS的实验界面较对照界面提升诊断准确性、降低感知工作量并提高满意度（均p<0.05）。
- 该研究为受控实验室环境结果，不能直接推广至真实抢救室或ICU，需前瞻性临床验证。
- ML-CDS工具旨在补充早期预警评分，但原文未提供其对临床结局（如死亡率）影响的数据。
适用人群与场景
- 参与焦点小组和可用性测试的临床医生（重症监护或医院医学专业）
- 测试使用5个脚本化病例，每个界面各5例，间隔洗脱期
- 场景为受控实验室，非真实急诊或ICU临床环境
诊断标准与关键阈值
- 原文未提及
处置流程与药物剂量
- 原文未提及
红旗征与不能漏的情况
- 原文未提及
研究设计与关键结果
- 研究类型：顺序探索性混合方法（焦点小组+可用性测试）
- 焦点小组人数：26名临床医生
- 可用性测试人数：23名临床医生
- 干预：实验性电子病历界面含ML-CDS工具；对照界面不含ML-CDS
- 主要终点：诊断准确性、感知工作量、满意度（实验界面优于对照，均p<0.05）
- 设计需求包括：理解推荐理由、评估数据质量影响、单屏整合信息、图形化展示、融入既有路径
- 结论：满足设计需求可能改善ML-CDS可用性
证据类型、等级与局限
- 证据类型：混合方法研究（焦点小组+受控可用性测试）
- 无明确证据等级或推荐强度
- 局限：受控实验室环境、样本量小（n=23）、脚本化病例、未在真实临床环境验证
对床旁实践的改变
- ML-CDS工具可能改善临床医生对病情恶化病因的判断效率，但需真实临床研究确认
- 适用人群：ICU或医院内科临床医生；不适用于真实急诊/ICU患者（因未在临床验证）
- 常见陷阱：将实验室结论直接用于床旁决策；忽视ML-CDS输出需结合临床背景
指南或共识出处
- 原文未提及
以上提炼依据论文摘要（全文未开放获取，或许可不允许翻译转载）；全文请点「阅读原文」。
参考来源
- Journal of Critical Care：Development and usability testing of a machine learning clinical decision support tool for suggesting etiologies and treatment of clinical deterioration
- Nguyen, Wiegmann, Haddad, et al. Development and usability testing of a machine learning clinical decision support tool for suggesting etiologies and treatment of clinical deterioration. J Crit Care. 2026. PMID: 42759259. doi:10.1016/j.jcrc.2026.155748
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。