AI助力早筛谵妄，提升诊疗效率，降低患者风险

一种人工智能 (AI) 模型将谵妄的检测和治疗率提高了四倍，从而改善了住院患者的治疗效果。该模型能够识别谵妄高危患者，并根据需要通知经过专门培训的团队对患者进行评估并制定治疗方案。

该模型由西奈山伊坎医学院的研究人员开发，现已融入医院运营，帮助医护人员识别和管理谵妄--这种疾病可能影响多达三分之一的住院患者。

这项研究首次表明，基于人工智能的谵妄风险分配模型不仅在实验室环境中表现良好，还能在临床实践中带来实际效益。该研究发表于2025年5月7日出版的《JAMA Network Open》期刊上。

比较在ML 模型部署之前（ML 之前）和在实时临床实践中部署多模式 ML-谵妄风险分层模型之后（ML 之后）的每月谵妄检测率。

谵妄是一种突发且严重的意识混乱状态，可能危及生命，且住院患者通常无法察觉。如果不进行治疗，谵妄会延长住院时间，增加死亡风险，并恶化长期预后。研究人员表示，迄今为止，人工智能驱动的谵妄预测模型一直难以在患者护理方面展现出切实的改善。

"我们在西奈山开展这项研究的动机很明确。目前基于人工智能的谵妄预测模型尚未显示出对患者护理的实际益处，"资深通讯作者、西奈山医疗系统谵妄服务中心创始人兼主任、西奈山伊坎医学院精神病学和神经科学教授约瑟夫·弗里德曼（Joseph Friedman）医学博士说道。"我们希望通过创建一个能够实时准确计算谵妄风险并顺利融入临床工作流程的模型来改变这种现状，帮助医院工作人员发现和治疗更多可能被忽视的谵妄患者。"

研究团队并非孤立地构建人工智能模型，之后再在医院进行测试，而是从一开始就与西奈山的临床医生和医院工作人员密切合作。这种"垂直整合"方法使他们能够实时优化模型，确保其在临床应用中既有效又实用。

在西奈山医院部署后，该人工智能模型显著提高了谵妄检测能力，其结果是：

确诊病例增加了400%，且无需增加筛查患者的时间

• 通过减少老年人使用可能不合适的药物，提高处方安全性

• 在现实医院环境中表现出强大可靠的性能

这项研究涉及纽约市西奈山医院收治的32,000多名患者，研究人员使用该人工智能模型分析了结构化数据和电子健康记录中的临床医生记录。该模型利用机器学习识别与谵妄高风险相关的图表数据模式，并应用自然语言处理从医院工作人员撰写的图表记录语言中识别模式。这种方法可以捕捉工作人员对谵妄或高风险患者细微精神状态变化的观察结果。当时，一位正在撰写记录的工作人员可能并未意识到，他们的临床观察结果正在帮助提升 AI 模型的准确性。

值得注意的是，该模型在高度多样化的患者群体中进行了测试，涵盖了各种内外科疾病--远远超出了基于机器学习的谵妄风险预测模型研究中通常纳入的狭窄群体。

该工具显著提高了每月谵妄的检出率--从 4.4% 提高到 17.2%，从而可以更早地进行干预。确诊的患者还接受了较低剂量的镇静药物治疗，从而可能减少副作用并改善整体护理。

"我们的模型并非要取代医生，而是要为他们提供强大的工具来简化他们的工作，"弗里德曼博士说道。"通过分析大量患者数据，我们的机器学习方法使医疗保健提供者能够专注于更有效、更精准地诊断和治疗患者。"

虽然该人工智能模型在西奈山医院取得了显著成果，并且正在西奈山其他分院进行测试，但仍需在其他医院系统进行验证，以评估其在不同环境下的表现，并根据需要进行调整。

"这项研究展示了我们通过将AI驱动的临床决策支持系统融入医院运营所取得的巨大飞跃。我们

通过在合适的时间将合适的团队安排到合适的患者身边，使患者能够获得根据其需求量身定制的专业

治疗，从而改善了患者的安全性和治疗效果，"该研究的共同作者、西奈山医疗系统首席临床官兼西奈山医院院长David L. Reich医学博士说道。"为了成为一个学习型医疗系统，我们必须继续沿着这

条道路前进，开发、测试、部署和微调能够无缝集成到医疗保健工作流程中的AI工具。此前，我们

发现AI临床决策支持系统在解决营养不良和临床恶化问题方面发挥了作用，西奈山医疗系统利用实

时AI警报来预测健康状况下降，从而加快了治疗速度并降低了医院内死亡人数。

翻译：花那健康