基于多模态人工智能的急诊出院肺炎患者28天死亡率预测：一项多中心研究

这项研究对普通患者为何重要

肺炎是全球最致命的感染之一，但在繁忙的急诊科，医生常常必须在几分钟内决定患者是否可以安全回家或需要住院强化治疗。本研究探讨人工智能（AI）是否能将胸部X光影像与常规医疗数据相结合，更准确地预测谁在28天内死亡风险较高，从而帮助临床医生避免将脆弱患者送回家或不必要地收治低风险患者。

如今的肺炎诊疗如何运作

当有人因疑似肺炎来到急诊科时，临床医生依靠症状、生命体征、血液检查和胸片来判断病情严重程度。多年来，临床上使用诸如CURB‑65之类的简单评分，将年龄、血压和意识混乱等因素相加以估计未来一个月的死亡几率。这些评分易于计算，但忽略了现在常规收集的大量信息，也未利用胸片中隐藏的丰富细节。因此，一些后来病情恶化的患者在纸面上最初可能看起来“低风险”。

将影像与数据结合

深度学习的最新进展使计算机能够读取胸片并量化诸如胸腔积液或可疑病灶等发现。研究者提出，将这些由计算机生成的影像特征与更复杂的预测模型以及标准急诊数据一起输入，是否能提高短期风险估计的准确性。他们利用韩国一家大型医院近2,900次因肺炎的急诊就诊记录以及美国大型数据库MIMIC‑IV的数据。对于每次就诊，他们收集了三类主要信息：传统的CURB‑65要素、AI对胸片的数值化解读，以及在患者离开急诊前自动捕获的临床数据，如生命体征、需氧情况和常规化验结果。

构建与测试AI模型

研究团队比较了多种方法，包括传统统计模型和用于处理生存时间（time‑to‑event）结果的现代机器学习方法。他们表现最好的方法称为随机生存森林（random survival forest），该方法经过训练以学习将组合数据与28天内死亡概率联系起来的复杂模式。他们构建了使用不同输入集的模型版本：仅传统评分、仅影像发现、仅临床变量、评分加临床数据的混合，以及包含全部信息的“全特征”模型。性能主要通过模型将患者按风险从低到高正确排序的能力来评估，即所谓的一致性指数（concordance index）。

模型对风险的洞见

使用所有可用信息——传统评分组件、AI解读的胸片结果和详细临床数据——的模型表现最佳。与单纯使用CURB‑65评分相比，它在正确排序患者风险方面明显更优。即便与采用丰富临床数据但忽略影像信息的模型相比，加入胸片输出也带来了可测量的改进。年龄和分诊严重度被识别为最强的预测因子，这与临床经验相符：年长且病情更重的患者预后更差。然而，诸如胸腔积液概率和小结节等影像特征也在最具影响力的因素中名列前茅，表明AI从胸片中提取了标准评分无法捕捉的有用信号。当研究者将患者分为“高风险”和“低风险”组时，他们的完整模型几乎识别出所有在28天内死亡的患者，同时误报数量与传统评分相当。

为实际医院工作流程而设计

重要的是，该系统设计为使用医院已经自动收集的信息。它利用电子病历中的人口学信息、生命体征、氧气支持水平和实验室值，以及已经在常规使用中的胸片AI工具的输出。研究者有意排除了需要额外人工判断或手动录入的要素，例如对意识混乱的床旁评估，以避免增加临床人员的工作负担。他们还使用可解释性技术来检查模型的行为是否符合临床常识，并基于数学重要性与专家审查反复优化纳入的变量。机器洞见与人工监督的这种结合旨在提高信任度并便于床边采纳。

这对患者和医院意味着什么

研究表明，将胸片解读与常规急诊数据合并的AI模型，能比长期使用的评分工具更准确地标识出在一个月内死亡风险较高的肺炎患者。在实践中，这样的系统可以帮助急诊团队将有限的床位优先分配给最需要的患者，确保那些脆弱且可能被误判而送回家的患者及时得到治疗，并安全地减少对真正低风险患者的住院。尽管该方法仍需在其他医院和不同影像软件上进行更广泛的验证，但它指向了一个未来：静默运行的算法通过把日常数据转化为更清晰、更个性化的风险估计来支持（而非取代）临床医生。

引用: Hwang, S., Heo, S., Hong, S. et al. Multimodal AI-based 28-day mortality prediction of pneumonia patients at ED discharge: a multicenter study. Sci Rep 16, 11761 (2026). https://doi.org/10.1038/s41598-026-42378-2

关键词: 肺炎, 急诊科, 人工智能, 胸片, 风险预测