基于人工智能的事件分析与学习系统，以增强患者安全并改进治疗质量

为什么更智能的事件复盘对患者很重要

每一次安全的癌症治疗背后都有一层看不见的核查、复核以及从险些发生的问题中学习的环节。放射治疗虽高度精准，但其复杂的、以团队为基础的工作流程仍可能出现小失误，并逐步放大成严重后果。医院已经收集了数以千计有关未遂事件和小故障的报告，但人工筛查这些叙述既缓慢又不一致。本文介绍了一种新的基于人工智能的系统，帮助专家快速分析事件报告，发现导致问题的隐藏模式，并将这些知识转化为更安全的护理。

从人为叙述到系统化学习

当放射治疗过程中发生异常——例如令人困惑的指示、延误或未遂事故——临床人员会用自己的语言提交一份叙述性报告。传统上，质量与安全团队会阅读每个故事，判断错误发生的原因，并将其映射到一种名为 HFACS 的人为因素框架，该框架将贡献性原因从一线失误到更深层的组织问题分层说明。这种方法很有力，但耗时，尤其在那些记录数千起事件的繁忙癌症中心，其中大多数事件并未造成患者伤害，但仍包含有价值的教训。新的基于人工智能的事件分析与学习系统（AI‑ILS）旨在通过自动化大量分类工作来支持这些团队，同时保留专家监督。

清理并澄清事件描述的语言

在算法能够理解事件叙述之前，文本必须既可安全共享又具有明确含义。AI‑ILS 首先使用针对医疗文本中敏感信息训练的专用语言模型，剔除诸如姓名、日期和病历号等个人信息。随后，它将医疗缩写和地方性行话扩展为更清晰的表述，以便像“DIBH”之类的首字母缩写或特定岗位的缩略语能被正确解释。这个两步准备过程使报告匿名化并更易于核心模型理解，同时仍保留叙述的原始结构与意图，这对准确判断错误发生的原因至关重要。

教会人工智能识别更深层原因

系统的核心是一个在1,548份精心编写的模拟事件报告上进行微调的大型语言模型。一个多学科团队——包括物理学家、护士、治疗师、剂量师和医生——撰写了这些示例，覆盖了 HFACS 四个层级的广泛问题：不安全的行为、先决条件（如人员配置或环境）、监督以及更广泛的组织影响。模型在四条并行分支上进行训练，每一条对应一个层级，并增加了“以上皆非”选项，以避免将每个故事都强行归入不合适的类别。经过微调后，模型的性能显著提升：其区分正确与错误标签的能力（以标准准确率与相关性指标衡量）从接近随机水平上升到与专家判断高度一致。

在真实诊所中检验系统

研究人员随后将 AI‑ILS 应用于来自一家大型癌症中心内部安全数据库的350份真实事件报告。将其分类结果与经验丰富的医学物理学家进行比较，发现严格一致率约为79%，而在将边界情况计为“可能可接受”时，一致率接近88%。该系统运行速度远快于人类：处理并完整分类一例事件约需五秒，而审阅者平均每例需要约两分半钟。一个简单的聊天式界面让临床人员可以查看 AI 如何解读报告、提出后续问题并更好地理解为何建议某一特定原因，从而使该工具成为伙伴而非黑匣子。

这对更安全护理意味着什么

该研究表明，经过精心定制的人工智能系统可以可靠地支持专家理解大量安全报告，释放时间以便进行更深入的调查与行动。AI‑ILS 并非取代人类判断，而是对一线错误、工作条件、监督与组织实践中的事件模式进行组织化与标准化。随着更广泛的采纳和更大规模、多中心的数据集，类似工具可帮助医院从事后修补转向以数据驱动的主动改进，悄然减少可预防伤害，并让放射治疗等复杂疗法在全球范围内对患者更为安全。

引用: Jinia, A.J., Chapman, K., Liu, S. et al. Artificial intelligence-based incident analysis and learning system to enhance patient safety and improve treatment quality. npj Digit. Med. 9, 254 (2026). https://doi.org/10.1038/s41746-026-02390-2

关键词: 患者安全, 放射治疗, 事件报告, 人工智能, 人为因素