急诊是动态环境，对急诊患者进行分诊是一项复杂任务，评估过程涉及多个因素，包括患者健康数据、可用资源以及与患者的互动。因此，评估人工智能分诊的影响是一个复杂问题。准确而快速的分诊可以减少分诊不足和分诊过度，从而改善急诊科工作流程。 Journal of Nursing Scholarship杂志发表了一项系统综述，研究人员回顾了在真实临床环境中基于人工智能分诊以提高分诊准确度的前瞻性研究，并探索帮助急诊护士进行分诊任务的方法。具体包括：（1）基于人工智能的急诊预检分诊系统的干预内容，（2）基于人工智能的急诊预检分诊系统的干预效果。

2023 年 3 月 9 日至 4 月 18 日，研究人员检索 了CINAHL 、Cochrane 、Embase 、 PubMed 、 ProQuest 、 KISS 和 RISS 数据库，3 名研究人员独立筛选数据 。纳入基于人工智能的急诊患者分诊系统干预的前瞻性研究。3名研究人员提取数据并使用观察性流行病学研究的报告指南（STROBE） 独立评估研究的质量。记录文献的一般特征（第一作者、出版年份、国家、研究设计、临床环境、研究人群的特征和样本量、分诊规模、应用的人工智能程序、对照组和主要结局）、基于人工智能的分诊程序的特征（分诊级别、人工智能的提供方法、人工智能的类型和技术、使用回顾性数据、模型性能和分诊预测的准确性）、以及基于人工智能的分诊有效性。

2017年10月至2023年1月，研究人员检索到1633 项研究，根据纳入排除标准，最终纳入7 项研究，样本量范围146~17072人。7项研究中有6项采用了5级分诊量表。3项研究使用了美国开发的急诊严重指数（ESI）。其他量表包括英国开发的MTS，韩国分诊与急迫度分级量表（KTAS），台湾分诊与急迫度分级量表（TTAS）。1项研究使用了中国开发的4级紧急分类量表（ETS）。

7项研究中有4项探索了分诊预测，预测范围为80.5%~99.1%。基于模糊逻辑的CLIP模型准确率为99%；采用前馈神经网络算法的研究的准确率达到84.6%；结合TabNet和深度学习的混合模型在分类预测中实现了80.5%的准确率；机器学习模型的准确率高，误分诊率低至0.9%。其他结局包括分诊所需时间减少、过度分类和分类不足、以及患者治疗和预后行关结局。

急诊科的分诊护士可以使用人工智能作为分诊的辅助手段。研究认为人工智能有希望成为一种可以减少分类不足并对患者健康产生积极影响的资源。

原文出处：

Nayeon Yi, Dain Baik, et al, The effects of applying artificial intelligence to triage in the emergency department: A systematic review of prospective Studies, Journal of Nursing Scholarship, 2024, DOI: 10.1111/jnu.13024.