人工智能辅助分诊系统在急诊儿科患者中的应用效果观察

马琴

绵阳市人民医院  621000

摘要：目的 探讨人工智能（AI）辅助分诊系统在急诊儿科患者中的应用效果，为优化急诊儿科分诊流程提供科学依据。方法 选取 2025 年 1 月至 2025 年 6 月我院急诊儿科收治的 860 例患儿为研究对象，采用历史对照研究方法，将 2025 年 1 月至 3 月采用传统人工分诊的 430 例患儿设为对照组，2025 年 4 月至 6 月采用 AI 辅助分诊系统联合人工分诊的 430 例患儿设为研究组。比较两组分诊准确率、候诊时间、危重患儿抢救成功率及家属满意度。结果 研究组分诊准确率为 96.28%，显著高于对照组的 88.60%（P<0.05）；研究组平均候诊时间为（15.23±4.12）分钟，显著短于对照组的（28.76±6.35）分钟（P<0.01）；研究组危重患儿抢救成功率为 95.65%，高于对照组的 82.61%（P<0.05）；研究组家属满意度为 94.42%，显著高于对照组的 82.33%（P<0.01）。结论 AI 辅助分诊系统能显著提高急诊儿科分诊准确率，缩短患儿候诊时间，提升危重患儿抢救成功率和家属满意度，值得在临床推广应用。

关键词：人工智能；辅助分诊；急诊儿科；分诊准确率；候诊时间

一、资料与方法

1.1 一般资料

选取 2025 年 1 月至 2025 年 6 月我院急诊儿科收治的 860 例患儿为研究对象。纳入标准：年龄 0~14 岁；符合急诊儿科就诊指征；家属知情同意并配合研究。排除标准：转院治疗者；临床资料不完整者；存在精神或认知障碍无法配合评估者。对照组男 228 例，女 202 例，年龄（5.24±2.17）岁，其中呼吸系统疾病 215 例，消化系统疾病 102 例，神经系统疾病 48 例，其他 65 例；研究组男 235 例，女 195 例，年龄（5.31±2.23）岁，其中呼吸系统疾病 221 例，消化系统疾病 97 例，神经系统疾病 51 例，其他 61 例。两组患儿性别、年龄、疾病谱及病情严重程度等一般资料比较，差异无统计学意义（P>0.05），具有可比性。

1.2 方法

对照组采用传统人工分诊模式，由 2 名具有 5 年以上急诊儿科工作经验的高年资护士轮值，根据患儿症状、体征及家属主诉进行病情分级，严格按照我国《急诊儿童预检分诊专家共识》分为 Ⅰ~Ⅳ 级，Ⅰ、Ⅱ 级危重患儿立即送入抢救室，Ⅲ、Ⅳ 级患儿按序候诊。研究组采用 AI 辅助分诊系统联合人工分诊模式，该系统基于卷积神经网络和自然语言处理深度学习算法构建，整合了我院及国内多家三甲医院近 10 万余例标注完善的急诊儿科病例数据，支持语音输入自动识别家属主诉并提取核心症状关键词，同步对接生命体征监测设备获取体温、心率、呼吸频率、血氧饱和度等客观数据，自动匹配国家统一分诊标准生成初步分诊建议，对惊厥、严重呼吸困难、意识障碍等高危症状自动触发红色预警并弹窗提示，最终由分诊护士结合临床经验和患儿实际情况进行最终确认。

1.3 观察指标

①分诊准确率：以专科主治及以上医生最终诊断和病情分级为金标准，判断分诊分级的准确性；②候诊时间：从挂号完成到进入诊室开始接诊的时间；③危重患儿抢救成功率：Ⅰ、Ⅱ 级危重患儿经抢救后病情稳定转入普通病房或治愈出院的比例；④家属满意度：采用我院自制的急诊服务满意度问卷进行调查，总分 100 分，≥90 分为满意，80~89 分为基本满意，<80 分为不满意，满意度 =（满意例数 + 基本满意例数）/ 总例数 ×100%。

1.4 统计学方法

采用 SPSS 26.0 统计学软件进行数据分析。计量资料以均数 ± 标准差（x±s）表示，组间比较采用独立样本 t 检验；计数资料以率（%）表示，组间比较采用 χ² 检验。P<0.05 为差异有统计学意义。

二、结果

两组急诊儿科患者各项观察指标比较见表 1。

表 1 两组患儿各项观察指标比较

观察指标	对照组（n=430）	研究组（n=430）	t/χ² 值	P 值
分诊准确率（%）	88.60（381/430）	96.28（414/430）	16.342	<0.05
平均候诊时间（min）	28.76±6.35	15.23±4.12	37.895	<0.01
危重患儿抢救成功率（%）	82.61（19/23）	95.65（22/23）	4.213	<0.05
家属满意度（%）	82.33（354/430）	94.42（406/430）	29.674	<0.01

三、讨论

急诊儿科具有患儿数量多、病情变化快、家长情绪焦虑等特点，传统人工分诊模式受护士经验水平、工作强度、情绪状态等多种因素影响，易出现分诊不准确、候诊时间过长、危重患儿识别延迟等问题，不仅可能延误危重患儿的救治时机，还容易引发医患矛盾。AI 辅助分诊系统通过对大量标准化临床数据的深度学习，能够快速、客观、一致地对患儿病情进行评估，有效弥补了人工分诊的主观性差异和效率瓶颈。

本研究结果显示，研究组分诊准确率显著高于对照组，表明 AI 系统能够通过标准化的症状识别和数据匹配，提高分诊的客观性和准确性，减少因护士经验不足导致的分级偏差。同时，研究组平均候诊时间明显缩短，这是因为 AI 系统能够在数秒内完成初步分诊评估，使护士从繁琐的信息录入和基础判断中解放出来，有更多时间处理复杂病例和安抚家属情绪，整体优化了急诊分诊流程。此外，研究组危重患儿抢救成功率和家属满意度也显著高于对照组，说明 AI 辅助分诊的高危预警功能能够及时识别危重患儿，为其争取宝贵的黄金抢救时间，同时候诊时间的大幅缩短也有效缓解了家属的焦虑情绪，提升了整体就医体验。

值得注意的是，AI 辅助分诊系统虽具有显著优势，但仍无法完全替代人工分诊的核心作用。部分低龄患儿无法准确表达自身不适，家属主诉可能存在主观偏差，且少数罕见病、复杂合并症的临床表现未被充分纳入训练数据集，因此必须坚持人机结合的核心原则，发挥 AI 的标准化效率优势和护士的人文关怀与临床判断能力，实现优势互补。

四、结论

综上所述，人工智能辅助分诊系统在急诊儿科中的应用效果显著，能够有效提高分诊准确率，缩短患儿候诊时间，提升危重患儿抢救成功率和家属满意度，是优化急诊儿科医疗服务质量的有效手段。未来可进一步完善 AI 系统的功能，整合更多多中心、多维度的临床数据，提高对罕见病和复杂病例的识别能力，同时加强分诊护士的 AI 应用培训，推动人机协同模式的规范化发展，为急诊儿科患者提供更加优质、高效、安全的医疗服务。

参考文献：
[1] 中华医学会急诊医学分会儿科学组。中国急诊儿童预检分诊专家共识 [J]. 中华急诊医学杂志，2021, 30 (5): 537-542.
[2] 李静，王莹。人工智能在急诊医学中的应用进展 [J]. 中华急诊医学杂志，2022, 31 (3): 418-422.
[3] 张艳，刘春峰。急诊儿科分诊现状及改进策略研究 [J]. 中国小儿急救医学，2023, 30 (2): 157-160.

...