借助协作式AI工具提升急诊科临终死亡风险预测

重点提示

本研究评估了老年临终筛查工具（Geriatric End-of-Life Screening Tool，GEST）这一基于人工智能（Artificial Intelligence，AI）的模型，与传统由医师回答的惊讶问题（surprise question，SQ）在预测急诊科（emergency department，ED）老年患者6个月死亡风险中的效果。协同的 GEST+SQ 模型较单独使用 GEST 具有更好的校准能力，而顺序筛查方案在维持预测准确性的同时，可显著减轻医师负担。

研究背景

急诊科经常接诊健康状况复杂的老年患者，识别接近临终阶段者对于及时开展姑息治疗沟通及合理分配资源至关重要。传统预后判断往往依赖临床医生的直觉性评估，例如“惊讶问题”（surprise question，SQ）：“如果这位患者在未来6个月内去世，您会感到惊讶吗？”尽管该方法应用广泛，但受主观性影响较大，且准确性存在波动。利用电子健康记录数据的人工智能（AI）模型为提高预测可靠性、并在急性医疗场景中补充临床医生评估提供了机会。

研究设计

这项前瞻性队列研究于2022年11月至2023年6月在一家三级学术急诊科开展，纳入年龄≥65岁的急诊患者。研究比较了3种用于预测6个月死亡风险的方式：

• 临床惊讶问题（surprise question，SQ），由急诊处置时的医师回答并记录于电子健康记录中；
• 老年临终筛查工具（Geriatric End-of-Life Screening Tool，GEST），一种整合实验室结果、生命体征、人口学特征和既往病史以计算死亡风险的AI模型；
• 一种新的联合逻辑回归模型（GEST+SQ），整合SQ与GEST的输出结果。

死亡数据来源于电子记录和州级记录。研究评估了灵敏度、特异度、受试者工作特征曲线下面积（receiver operating characteristic curve area under the curve，ROC-AUC）用于区分能力，以及用于校准能力的预期校准误差（expected calibration error）。此外，作者设计了一个顺序筛查路径：先由GEST将患者分为低风险和高风险，低风险与高风险患者不再进行进一步的SQ筛查，仅对中间风险患者进行医师SQ评估。

主要结果

在9,256例符合条件的患者中，3,479例完成了SQ回答（37.6%），6个月死亡率为13.3%。当将GEST的灵敏度调整至与SQ一致（83.8%）时，GEST表现出更高的特异度（61.5% vs. 50.8%）。相反，在特异度一致（50.8%）时，GEST的灵敏度（90.0%）高于SQ（83.8%）。GEST的ROC-AUC为0.79，联合GEST+SQ模型为0.80，提示总体区分能力仅有轻度改善。

值得注意的是，GEST+SQ模型显著改善了校准指标（预期校准误差0.01，单独GEST为0.042），提示预测风险与实际死亡风险之间的一致性更好。采用顺序筛查策略后，仅5%的患者（中间风险亚组）需要医师提供SQ判断，相较仅使用SQ的方法，医师评估负担理论上可减少95%。

总体而言，基于AI的GEST在死亡风险预测方面优于医师SQ，而协同模型在未显著提升区分能力的情况下改善了风险校准。将自动化风险评分与定向医师输入相结合的顺序筛查模式，适用于急诊场景，且具有较高的资源效率。

专家点评

本研究针对急诊医学中的一个关键难题：如何在高强度、快节奏环境中识别接近临终阶段的老年患者。GEST等AI工具利用常规采集的临床数据，提供客观、可重复的风险评估。尽管SQ能够体现宝贵的临床直觉，但其解释存在差异，且应用并不完整；本研究队列中SQ完成率仅为37.6%，即为例证。

将SQ与GEST整合后ROC-AUC仅有轻度提升，说明AI工具已能捕获大部分预后信息，但临床判断在优化风险校准方面仍然具有价值。顺序筛查策略具有创新性和实用性，可能通过减少医师认知负荷，并将精力集中于临床判断最有价值的患者，从而优化工作流程。

研究局限性包括单中心设计及SQ回答数据不完整，这可能影响结果的推广性。未来研究应在不同实践场景中验证这些发现，并评估此类筛查策略对临床结局及姑息治疗转诊的影响。

结论

本研究表明，AI驱动的筛查工具GEST在预测老年急诊患者6个月死亡风险方面，较传统临床医师惊讶问题略有优势。将GEST与SQ结合的协同模型可改善风险校准，而在顺序筛查路径中应用时，可大幅减少医师工作量。这些结果支持将自动化AI筛查工具与临床医生输入相结合，以提升急诊临终预后判断和资源分配效率。

资金支持与临床试验

摘要中未报告原始研究的资金来源及临床试验注册信息。建议读者查阅正式发表的全文以获取详细披露信息。

参考文献

• Haimovich, A.D., Erion-Barner, G., Nathanson, L.A., et al. Improving End-of-Life Screening in the Emergency Department With Collaborative Artificial Intelligence. Ann Emerg Med. 2026 Jun 18. PMID: 42313042.
• Downar J, Goldman R, Pinto R, et al. The “Surprise Question” for Predicting Death in Seriously Ill Patients: A Systematic Review and Meta-analysis. CMAJ. 2017;189(13):E484-E493.
• Tomasini C, Bursi F, Petrini L, et al. Artificial Intelligence and Machine Learning in Palliative Care: A Narrative Review. J Palliat Med. 2021;24(10):1542-1558.