由急救服务数据驱动的机器学习模型提升院前环境中的中风分诊

为何更快的中风决策至关重要

当有人发生中风时，每一分钟都很重要。脑细胞迅速死亡，随着每一次延迟，恢复行走、说话和独立生活的机会都会下降。然而许多中风患者最初并非由医生首次发现，而是在救护车上的急救人员发现。本研究探讨了能否利用以往病例学习的计算机帮助急救医疗服务（EMS）更早识别中风并更快将患者送往合适的医院——这可能挽救脑组织并改善长期生活质量。

医院前会发生什么

中风患者的就诊通常始于拨打911。调度员决定派出何种救援，随后EMS队伍在家中或现场对患者进行检查。他们记录基本信息，如年龄和体重，以及心率、血压、呼吸频率、血氧水平和意识程度等生命体征。这些数值往往在医院看到患者之前就已被测量。研究人员提出了一个简单问题：这些早期测量是否足够可靠且完整，以便计算机实时使用它们来标记可能的中风？

研究如何开展

研究团队回顾了2015年至2020年间送往芝加哥附近一家大型医院的8,221次救护车出诊，涉及4,333名成年人。仅约2%的病例被确诊为中风，其中近三分之二为严重中风——最终进入重症监护或需要呼吸机的患者。研究者将EMS在现场记录的数据与患者抵达医院后不久医院工作人员测得的数值进行了对比。大多数患者都有心率、血压、血糖、血氧和一个简单的意识评分，这些数据总体上与医院读数相符，表明救护车的数据较好地反映了患者的真实状况。

教计算机识别危险

研究者使用这些院前数值，加上关于911呼叫的基本信息和接送地点，训练了多种类型的机器学习模型来完成两项任务：区分中风与非中风，以及区分严重中风与其它情况。他们在独立的数据集上测试了三种常见方法——随机森林、XGBoost和一个简单的神经网络，以确保对模型进行公平评估。由于中风病例较少，模型被调整以更关注这部分少数样本，并经过细致校准，使其风险评分尽可能贴近现实概率。

这些工具的表现如何

在全部救护车出诊中，检测任意中风的最佳模型为XGBoost，而标记严重中风表现最佳的是随机森林模型。这些工具在给出谁更可能或不太可能中风方面表现良好，并且在设定合理阈值时，它们在发现更多中风病例的同时仍能避免大多数误报。例如，在某一操作点，检测中风的模型正确识别了约三分之二的中风病例，并正确排除了近九成的非中风病例。最具影响力的信号是熟悉的临床线索：更高的血压、意识改变、脉搏异常、年龄较大，以及911呼叫编码中提示类似中风问题（如突然无力或言语困难）的信息。

这对患者可能意味着什么

由于在所有救护车患者中中风并不常见，即便表现良好的模型也会产生一些误报。实际上，这意味着会有若干被标记为“疑似中风”的患者最终并非中风。作者认为，在时间关键的紧急情况下，如果该警示只是促使更快的评估而非取代人工判断，这种权衡可能是值得的。他们的结果表明，机器学习工具可以作为EMS已收集数据的额外“眼睛”，将救护人员和医院引导到那些可能被忽视的高风险患者。

这项工作的未来方向

简单来说，这项研究表明救护车后舱记录的数值可以为智能计算工具提供动力，帮助判断谁可能正在中风以及他们需要多紧急的高级护理。这些系统并非旨在独立诊断，而是支持救护人员和急诊医师在快速决策时，决定应将患者送往何处以及多快启动中风团队。通过更好的数据共享、更完整的记录以及在不同地区的测试，此类工具有望帮助更多人更快到达合适的医院，并让因中风造成的长期损害更少。

引用: Saban, M., Hiura, G., de la Peña, P. et al. Machine learning models powered by emergency medical services data enhance stroke triage in prehospital settings. Sci Rep 16, 7139 (2026). https://doi.org/10.1038/s41598-026-37069-x

关键词: 中风分诊, 急救医疗服务, 机器学习, 院前护理, 医学中的人工智能