人工智能自我分诊程序与物理分诊的一致性研究
Concordance between an artificial intelligence self-triage programme and physical triage
RSS 订阅 · Emergency Medicine Journal (BMJ)
一句话结论AI分诊程序与荷兰NTS分诊标准一致性极低(κ=0.092)，但在识别严重临床结局患者方面AI将更多患者分入高优先级类别。
本研究在阿姆斯特丹两家医院急诊科纳入203例非救护车转运的成人患者，比较AI自我分诊程序与荷兰国家分诊标准(NTS)的一致性。两种分诊方法的一致性极低(κ=0.092，95%CI -0.196至0.380)。AI分诊过度分诊率12.8%，欠分诊率5.4%。但AI分诊将更多严重临床结局患者分入S1(救护车急诊)和S2(急诊)类别，而NTS分入U1和U2。AI分诊对出院诊断的预测准确率为27.1%。全科医生转诊患者较自我转诊患者有显著更多临床结局事件。
要点
- AI分诊与NTS分诊一致性极低，Cohen's κ=0.092(95%CI -0.196至0.380)，提示两种方法分类差异显著
- AI分诊过度分诊率12.8%，欠分诊率5.4%，但将更多严重临床结局患者分入高优先级S1和S2类别
- AI分诊程序对急诊出院最终诊断的预测准确率为27.1%
- 全科医生转诊患者较自我转诊患者有显著更多临床结局(死亡、住院或随访),提示转诊质量影响分诊准确性
适用人群与场景
- 共接触264例患者，203例同意参与并纳入分析和随访
- 研究对象为自行到达急诊科且使用NTS常规分诊的患者
诊断标准与关键阈值
- 荷兰国家分诊标准(NTS)分为U1至U5级别的紧急程度分类
- AI分诊程序分为S1(救护车急诊)、S2(急诊)等紧急程度类别
- 临床结局包括死亡、病房收住或随访咨询
处置流程与药物剂量
- 原文未提及
红旗征与不能漏的情况
- 全科医生转诊患者较自我转诊患者有显著更多严重临床结局(死亡、住院或随访)，需更警惕此类患者
研究设计与关键结果
- 观察性比较研究，纳入203例完成AI分诊和NTS分诊的成人急诊患者
- 主要终点：两种分诊方法一致性Cohen's κ=0.092(95%CI -0.196至0.380)，一致性为无至轻微
- AI分诊过度分诊率12.8%，欠分诊率5.4%(与NTS比较)
- AI分诊将更多严重临床结局患者分入S1和S2类别，而NTS分入U1和U2类别
- AI分诊程序对急诊出院最终诊断的预测准确率为27.1%
- 全科医生转诊患者较自我转诊患者有显著更多临床结局事件
证据类型、等级与局限
- 证据类型：观察性比较研究
- 局限性：单地区两家医院研究，样本量203例相对较小
- 局限性：研究未提供原始证据等级或推荐强度
- 结论：AI分诊在考虑临床结局时比传统分诊更具区分性，但需进一步改进和验证后才能应用于医疗系统
对床旁实践的改变
- 目前AI自我分诊程序与传统NTS分诊一致性极低，尚不能直接替代物理分诊
- AI分诊在识别严重临床结局患者方面可能更敏感，但过度分诊率12.8%可能增加急诊工作量
- AI分诊对最终诊断的预测准确率仅27.1%，不能依赖其进行诊断预测
- 全科医生转诊患者需更高警惕，因其临床结局显著高于自我转诊患者
- 在AI分诊程序更好验证和改进前，不应在急诊科实施该技术
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
- Emergency Medicine Journal (BMJ)：Concordance between an artificial intelligence self-triage programme and physical triage
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。