概述
机器学习研究评估不同的任务，例如调度呼叫音频识别、院前心电图分析和医院病情恶化预测；证据特定于测试数据和工作流程。
深入探讨
分诊优先考虑患者以便及时评估。研究评估了不同的任务：用于 OHCA 识别的调度呼叫音频、用于 STEMI 检测的救护车心电图以及用于医院病情恶化预测的生命体征数据。音频通话研究是回顾性的；心电图研究描述了临床医生的确认。 AHRQ 指出，频繁的警报可能会降低临床医生的敏感性。 DECIDE-AI 为早期实时临床评估提供了报告指南。急诊分诊研究将预测与 ESI 等系统进行比较，并衡量特定的结果，例如 ICU 转移、死亡和住院治疗。
现实世界的实施
分诊优先考虑哪些患者应接受及时评估。
一项回顾性调度呼叫研究评估了机器学习对音频中院外心脏骤停的识别。
一项院前研究在救护车心电图上测试了 CNN-LSTM 的 STEMI 识别功能，并得到临床医生的确认。
AHRQ 将警报疲劳描述为因频繁警报而导致的脱敏。
人工智能在急诊医学和分诊方面的未来
早期实时评估应报告用户、工作流程、监督、故障模式和患者结果。报告特定地点的表现并保持临床医生对高影响力行动的审查；不要假设回顾性结果会转移到现场护理。
付诸实践
为什么这很重要
- 背景与规则. 行业背景决定了人工智能创意能否与现实接触。
- 质量控制. 领域约束会影响可接受的错误率和监督模型。
- 构建选择. 成功的部署使技术能力与一线工作流程保持一致。
留意
- 监管要求可能会使原本强大的原型失效。
- 历史数据可能会编码损害特定社区的偏见。
- 遗留系统可能会造成集成瓶颈和隐性成本。
后续步骤
- 让领域专家参与从问题框架到评估的整个过程。
- 在启动前设计审计跟踪和文档。
- 尽早验证合规性和安全义务。
- 分阶段推出，并具有明确的停止和回滚标准。
不断探索
常见问题
什么是急诊医学和分诊中的人工智能？
紧急分诊按紧急程度对患者进行优先排序。机器学习研究评估不同的任务，例如调度呼叫音频识别、院前心电图分析和医院病情恶化预测；证据特定于测试数据和工作流程。
急诊科分诊的主要目的是什么？
分诊根据临床紧急程度对患者进行优先排序；它不能取代诊断或临床医生评估。
在引用的回顾性研究中，机器学习使用哪些输入来识别院外心脏骤停？
该研究评估了基于录制的调度呼叫音频的机器学习，以识别院外心脏骤停；结果是回顾性的和特定于研究的。
引用的院前 AI-ECG 研究评估了什么？
该研究在院前 12 导联心电图上测试 CNN-LSTM 进行 STEMI 识别，并描述了临床医生在联系介入医院之前的确认；它不要求自主治疗。
AHRQ 中的警报疲劳是什么意思？
AHRQ 将警报疲劳描述为对频繁警报的不敏感，这可能导致临床医生忽视临床上重要的警告。
引用的 eCART Lite 恶化模型使用了哪些输入？
多中心 eCART Lite 论文报告使用年龄、心率和呼吸频率（包括当前和趋势测量值）来预测恶化结果。