纽约，纽约 [2025年5月7日]——一种人工智能（AI）模型通过将谵妄的检测和治疗率提高了四倍，改善了住院患者的预后。该模型能够识别出高风险的谵妄患者，并提醒经过专门培训的团队对患者进行评估并制定必要的治疗计划。
该模型由西奈山伊坎医学院的研究人员开发，并已整合到医院的运营中，帮助医疗保健提供者识别和管理谵妄，这是一种可能影响多达三分之一住院患者的情况。
这项研究首次表明，基于AI的谵妄风险分配模型不仅在实验室环境中表现出色，而且在临床实践中也能带来实际效益。该研究于2025年5月7日在线发表在《JAMA Network Open》杂志上 [
谵妄是一种突然且严重的意识混乱状态，具有生命威胁的风险，且常常在住院患者中未被发现。如果没有得到治疗，它可能会延长住院时间，增加死亡风险，并恶化长期预后。研究人员表示，直到现在，基于AI的谵妄预测模型尚未显示出在患者护理方面的实质性改进。
“我们在西奈山开展这项研究的动机非常明确。目前基于AI的谵妄预测模型尚未显示出在患者护理方面的实际效益，”高级通讯作者、西奈山卫生系统谵妄服务创始人兼主任、西奈山伊坎医学院精神病学和神经科学教授Joseph Friedman博士说。“我们希望通过创建一个能够在实时准确计算谵妄风险并顺利集成到临床工作流程中的模型来改变这一状况，帮助医院工作人员发现并治疗更多可能被忽视的谵妄患者。”
研究团队从一开始就与西奈山的临床医生和医院工作人员紧密合作，而不是孤立地构建AI模型并在医院中进行测试。这种“垂直整合”的方法使他们能够实时改进模型，确保其在临床使用中既有效又实用。
当在西奈山部署时，AI模型显著提高了谵妄的检测率，结果包括：
- 检测病例增加了400%，而筛查患者所花费的时间没有增加
- 通过减少老年人使用潜在不适当的药物来提高处方安全性
- 在真实医院环境中表现出强大且可靠的效果
在这项涉及超过32,000名入住纽约市西奈山医院的患者的研究中，研究人员使用AI模型分析了来自电子健康记录的结构化数据和临床笔记。该模型利用机器学习来识别与高谵妄风险相关的图表数据模式，并应用自然语言处理来识别医院工作人员撰写的笔记中的语言模式。这种方法捕捉到了工作人员对谵妄或高风险患者微妙精神状态变化的观察。撰写笔记的个别工作人员可能当时并不知道他们的临床观察正在帮助提高AI模型的准确性。
值得注意的是，该模型在一个高度多样化的患者群体中进行了测试，这些患者患有各种各样的内科和外科疾病——比通常用于基于机器学习的谵妄风险预测模型研究的狭窄群体要广泛得多。
该工具显著提高了每月的谵妄检测率——从4.4%提高到17.2%——从而允许更早的干预。被识别的患者还接受了较低剂量的镇静药物，这可能减少了副作用并改善了整体护理。
Friedman博士说：“我们的模型不是为了取代医生——而是为了给他们提供一个强大的工具来简化他们的工作。”“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更有效地诊断和治疗患者，从而更加精确。”
虽然该AI模型在西奈山医院取得了显著成果，并且正在其他西奈山地点进行测试，但还需要在其他医院系统中进行验证，以评估其在不同环境中的表现并根据需要进行调整。
“这项研究表明，通过将基于AI的临床决策支持纳入医院运营，我们在改善患者安全和预后方面取得了巨大的进步。我们通过在正确的时间将正确的团队带到正确的患者身边，使患者获得针对其需求的专业护理，”研究合著者、西奈山卫生系统首席临床官兼西奈山医院院长David L. Reich医学博士说。“要成为一个学习型卫生系统，我们必须继续这条路径，开发、测试、部署和微调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临床决策支持在解决营养不良和临床恶化方面有效，西奈山使用实时AI警报预测健康下降，加速了治疗并减少了医院死亡率。”
论文题为“用于谵妄风险分层的多模态机器学习模型”。
(全文结束)
