在模拟急诊场景中对护理任务建模：对临床培训与实践的启示

这项研究为何对患者护理重要

当急诊室里有人突然病情恶化时，护士通常是最先发现并采取行动的人。他们的快速决策——要检查什么、该呼叫谁、先启动哪种治疗——往往决定了病人是康复还是出现严重伤害。然而，许多此类选择是在极短时间内直觉式作出的，即便是资深护士也难以清晰说明其决策过程。本研究探讨现代人工智能能否在逼真的急诊模拟中学习到专家护士行为背后的模式，目标是有朝一日能在高风险情境中为经验较浅的护士提供指导。

资深护士如何在临床中快速思考

照护重症病人的资深护士并非只按步骤清单操作。他们持续整合监护仪读数、病历记录、体格检查中观察到的体征以及病人主诉。许多决策是迅速且直觉性的，难以用语言完整表达。相比之下，初级护士常依赖书面流程并过度关注监护数字，这可能使他们在病情以意外方式变化时难以灵活应对。研究者认为，如果我们能捕捉护士可见行为的序列——例如测量生命体征、与病人交谈或呼叫医生——就可能足以对这一决策过程建模，从而支持培训与临床实践。

在安全环境中的模拟急诊

为在不危及真实病人的前提下研究这些模式，团队使用了具逼真度的人偶进行详细模拟。11名资深护士和13名三年级护理学生完成了涉及病人突然发生缺血性中风的急诊情境；对资深护士还增加了严重COVID-19并发症的情境。护士的每一项行为——共记录到19种不同的行为——都被录像、加时间戳，并由临床与人因学专家仔细编码。这些具体行为随后被归为八类更广泛的类别，如检查生命体征、进行有针对性的体格评估、与病人交谈、查阅病历、给药、呼叫医生、下额外检查单或启动快速反应团队等。

数据揭示的护理模式

在33个模拟事件中，护士和学生共执行了1,024次动作，平均每个情境约31次动作。检查生命体征是最常见的行为，其次是有针对性的体格评估与与病人交谈。转移图显示，无论护士刚做了什么，他们下一步最有可能的动作通常是查看监护仪——这表明他们常用数字来确认观察到的情况。专家与学生之间也存在显著差异：专家在监护与动手评估之间更均衡，并且更常下额外检查和给予药物，而学生则更多依赖监护仪数值。这些差异形成了多样的行为模式，有助于模型学习更通用的病人护理规律。

教模型预测护士的下一步

核心问题是，所谓的基于注意力的Transformer等现代人工智能方法，能否仅基于先前行为序列预测护士下一步会采取何种行动。团队在编码后的模拟数据上训练了该模型，并将其与两种更传统的序列学习方法比较：基本的循环神经网络与长短期记忆（LSTM）网络。三种模型的表现均优于简单地猜测最常见的下一步动作。基于注意力的模型总体准确率约为73%，并在不同类型动作上提供了较为均衡的表现，尤其在回忆较不常见但重要的行为方面表现较好。LSTM模型在精确率上略高——即当它预测某一特定动作时更可能正确——但其在各动作类型间的表现波动更大。

这对培训与真实世界护理意味着什么

对非专业读者而言，关键结论是计算机系统能够从护士在急诊中实际工作的方式中学习出有意义的模式，并能相当准确地预测资深护士下一步可能采取的行动。在近期，这样的系统可嵌入模拟培训中：例如在中风情境下，当学生按步骤操作时，模型可以观察他们的行为序列并在其陷入困境时温和建议下一步有益的动作，从而保留人类护士的整体性方法而非取而代之。作者强调，在将类似工具用于真实医院之前，需要更多数据、涵盖除中风与COVID-19以外的更多病情，并认真关注隐私问题。尽管如此，这项研究为人工智能未来如何支持而非替代护士的快速救命决策提供了早期视角。

引用: Anton, N.E., Malusare, A.M., Aggarwal, V. et al. Modeling nursing care tasks in simulated emergency scenarios: insights for clinical training and practice. npj Health Syst. 3, 24 (2026). https://doi.org/10.1038/s44401-026-00079-y

关键词: 护理决策, 临床模拟, 机器学习, 注意力模型, 急诊护理