人工智能工具正开始从研究实验进入真实世界的急诊科工作流程，引发关于算法如何应用于高风险临床决策的新问题。
2026年1月发表在同行评审期刊《Discover Artificial Intelligence》上的一项前瞻性可行性研究中，研究人员将ChatGPT-4与评估急诊科就诊患者的急诊医生进行了比较。该研究评估了该模型在真实急诊科就诊场景中生成病史、鉴别诊断和管理计划的能力。
研究人员发现，AI系统在21%的病例中捕获了额外的病史要素，并与医生的诊断显示出中等程度的一致性，尽管它倾向于比临床医生推荐更多的诊断测试和住院治疗。
2024年5月发表在《美国急诊医学杂志》上的另一项研究将GPT-3.5和GPT-4与经验丰富的急诊医生进行了比较，这些医生计算了常见的急诊科临床评分，如美国国立卫生研究院卒中量表(NIH Stroke Scale)和HEART评分。虽然GPT-4与临床医生显示出中等程度的一致性，但医生仍实现了更强的整体预测性能。
人工智能在急诊医学中的日益普及甚至开始出现在流行文化中。在当前播出的电视剧《The Pitt》中，匹兹堡创伤医疗中心的虚构团队与一个既实用又存在问题的算法助手周旋。在其中一个场景中，AI帮助医生处理积压的病历文档。在另一个场景中，其环境记录功能在记录中引入了用药错误——突显了在使用自动化工具时临床医生仔细监督的重要性。
URAC（一个独立的非营利性医疗保健认证组织）总裁兼首席执行官Shawn Griffin博士表示，这种紧张关系反映了临床医生在真实急诊科中开始看到的情况。Griffin表示，他的观点基于担任MHMD纪念赫尔曼医师网络首席质量和信息学官8年的经验，在此期间，他担任纪念赫尔曼责任医疗组织的医疗保险和医疗补助服务中心(CMS)联络员和质量联系人。
Griffin说："当今医疗保健中AI最常见的用途是试图修复医疗保健中上一次重大技术实施，即电子病历系统(EMR)以及我们如何都变成了照顾键盘而非照顾人。"
AI在急诊护理中的应用领域
AI工具已经嵌入急诊医学的多个方面，尽管大多数专注于特定的临床任务。
Dyna AI高级医疗总监Katherine Eisenberg医学博士表示："AI工具已经嵌入急诊护理的许多部分，包括影像和心电图(ECG)解读支持、标记可能恶化或败血症(sepsis)风险患者的预测模型、用于文档记录的AI记录员，以及临床医生越来越多地用作信息资源的生成式AI系统。"
个别临床医生可能采用AI工具来支持决策或节省时间，而医疗系统通常关注患者流通量、分诊优先级和临床医生工作量等运营挑战。
Eisenberg表示："在实践中，急诊科的AI工具采用往往是分散的，类似于我们医疗系统的许多其他部分。"
其他专家表示，当今最实用的应用涉及狭窄任务，快速分析可以改善分诊和优先级排序。
AI公司HOPPR的AI医学总监Roger Boodoo博士表示："AI已经在急诊科使用，但主要是在速度至关重要的狭窄、高价值任务中。"Boodoo是一名放射科医生，也是一位拥有24年海军服役经验的退伍军人，他对医疗保健AI的看法受到前线战斗医学经验的影响。
这些应用包括影像分诊、败血症警报以及旨在帮助临床医生更快识别紧急病例的风险分层工具。
Boodoo表示："目标不是取代医生的判断，而是改善优先级排序。在拥挤的急诊科，AI的真正价值在于帮助在正确的时间点出正确的病例。"
一些最清晰的例子涉及时间敏感的疾病，如卒中(stroke)。
密歇根大学外科副教授、Ann Arbor市Viz.ai首席临床官Andrew Ibrahim医学博士表示："急诊科中最具有挑战性的决策之一——尤其是在农村社区——是患者是否需要转诊至更高级别的医疗机构。"
AI赋能的卒中路径可以通过快速识别CT扫描上的可能大血管闭塞并将这些图像立即发送给卒中专家，从而帮助加速这些决策。
Ibrahim说："几分钟内，医生就可以通过手机查看影像并开始协调患者转诊。"
他表示，这些系统的采用与更快的治疗决策和更短的住院时间相关。
迄今为止的证据：工作流程收益大于结果数据
专家表示，迄今为止支持急诊医学中AI的最有力证据与工作流程改进相关，而非广泛的临床结果。
Ibrahim提到了几项评估AI赋能卒中分诊系统的研究。一项多中心阶梯式随机试验检查了自动大血管闭塞检测软件，发现AI赋能的卒中分诊通过加速卒中团队通知和护理协调，显著缩短了取栓时间。
其他评估AI赋能卒中网络的真实世界研究也报告了更快的大血管闭塞识别和跨医院系统的改进协调。
不过，Eisenberg表示，证据基础因所研究的AI系统类型而异。
她表示："区分预测性AI工具和生成式AI工具很重要。"
像败血症警报或恶化风险工具这样的预测模型已使用更长时间，因此有更大的支持证据基础。
Eisenberg说："即使是预测工具，证明患者结果的改善仍然很困难。"
对于生成式AI系统，证据基础仍在形成中。
她说："一种工具可以在基准测试中表现良好，但仍不能改善患者结果。"
为什么临床医生保持谨慎
尽管在卒中分诊和风险预测等领域取得了有希望的早期成果，但许多临床医生表示，急诊医学中AI工具的快速扩展引发了关于可靠性、监督以及如何将这些系统整合到临床决策中的重要问题。
Griffin指出，信息学的一个基本规则仍然适用："垃圾进，垃圾出。"
他说："大多数医疗数据并不是真正干净、纯净的数据。"
新墨西哥州Farmington市San Juan区域医疗中心医师信息学执行官Carlo Hallak医学博士表示："另一个担忧是在不了解系统如何得出结论的情况下过度依赖算法建议。"
AI系统可能会遗漏临床医生在患者诊疗过程中检测到的上下文信息。Hallak表示，这些系统可能会遗漏经验丰富的临床医生在床边捕捉到的上下文。
警示疲劳是另一个担忧。
Hallak说："如果工具生成太多在临床上没有意义的信号，临床医生就会开始忽略它们。"
Eisenberg表示，自动化偏见（过度依赖自动化建议的倾向）也是一个问题。美国食品药品监督管理局(FDA)2026年1月的临床决策支持软件指南特别指出了在急性或时间关键护理环境中使用工具的这一风险。对于生成式AI系统，额外的担忧包括幻觉和缺乏上下文理解。
Ibrahim表示，临床医生应以对待其他医疗技术的谨慎态度对待AI工具。
他说："作为一名外科医生，除非我了解其工作原理以及可能出现问题的地方，否则我不会进行手术。我们对AI工具也应采取类似的方法。"
无相关披露。
【全文结束】
