重症医学人工智能临床应用与治理专家共识_第1页
重症医学人工智能临床应用与治理专家共识_第2页
重症医学人工智能临床应用与治理专家共识_第3页
重症医学人工智能临床应用与治理专家共识_第4页
重症医学人工智能临床应用与治理专家共识_第5页
已阅读5页,还剩40页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

重症医学人工智能临床应用与治理专家共识【摘要】人工智能(AI)正在由模型研究逐步进入重症医学临床实践。重症诊疗环境具有患者病情变化快、连续监测数据密集、多器官功能相互影响、治疗干预频繁和生命支持设备高度参与等特点,既为AI提供了重要应用场景,也使错误输出可能迅速影响临床判断和患者安全。为促进AI在我国重症医学领域安全、有效和规范应用,本共识制定专家组基于国内外文献、规范性文件和我国重症医学实践,采用改良德尔菲法形成推荐意见。共识围绕重症AI的定义与定位、风险分级、临床应用场景、连续监测与报警管理、治疗决策支持、人机协同、数据治理、模型开发与评价、真实临床环境运行、人员培训、隐私安全、公平性、持续监测及新兴技术边界等方面,共形成16条推荐意见,并强调重症AI应定位为医务人员的辅助工具,其评价不应局限于离线模型性能,还应关注预测时间窗、有效提前时间、报警负担、人机协同、安全事件及患者结局等。相关推荐可为医疗机构开展重症AI系统的研发评价、临床准入、实际应用和持续治理提供参考,并为临床医务人员、医疗机构管理者、技术研发团队及相关政策制定者规范应用重症AI提供依据。【关键词】重症医学;人工智能;临床决策支持;连续监测;专家共识重症医学是人工智能(artificialintelligence,AI)具有重要应用潜力且临床风险较高的关键领域。危重患者病情变化快,救治决策时效性强,诊疗过程依赖多源动态数据,包括连续生命体征、床旁监护波形、实验室与影像资料、医嘱、护理记录以及生命支持设备参数等。在我国,医疗AI正由场景探索向规范化应用过渡。重症AI的临床转化仍面临多重挑战,整体处于从模型开发向临床实施过渡的阶段。不同地区和层级医疗机构在重症资源、信息化基础、数据治理能力及专科救治水平等方面存在差异,模型的跨机构泛化能力与本地适用性仍需验证。迄今为止国内外已发布部分医疗AI相关指南[1-2],如Cecconi等[2]提出的国际重症AI实施共识确立了以伦理原则、数据治理与监管要求为核心的实施框架,为重症AI规范化应用提供了国际参考。然而,从模型研发走向临床部署,仍需明确风险分级、模型验证、临床准入、系统整合及运行后持续监测等具体实施路径;同时,AI系统的临床应用高度依赖所在医疗体系的结构、资源配置与监管环境,须结合具体情境进一步细化。基于我国重症资源区域差异、医疗信息系统异构以及AI应用基础不均衡等现实问题,本共识结合国内外证据和我国临床实践,采用改良德尔菲法形成推荐意见,围绕重症AI从研发、评价、准入、部署到持续治理的全过程提出系统性建议,旨在形成面向重症临床实践的AI应用与治理建议,为医疗机构管理者、临床医务人员、技术研发团队和卫生政策制定者等提供参考。一、共识制定方法(一)共识定位与组织构成本共识的使用场景为ICU、急诊重症救治、术后重症监护及其他危重患者救治情景。共识使用者主要包括重症医学医师、护士及医疗机构相关管理人员,同时供医学信息、工程技术、循证方法学、伦理与法务人员及AI研发团队参考。本共识适用于信息支持、连续监测、风险识别、辅助诊断、治疗决策支持、病区管理或辅助执行的AI技术,不替代国家法律法规、医疗器械监管要求、医疗机构内部制度及医务人员的专业判断,也不针对具体商业产品作出推荐。本共识由中国医师协会重症医学医师分会发起并组织制订,制订方案已在国际实践指南注册与透明化平台(PracticeGuidelineRegistrationforTransparency,PREPARE)注册,注册号为PREPARE-2026CN1245。共识制订组由共识指导委员会、共识撰写组、共识专家委员会组成(共62位专家)。本共识专家组成员来自全国29个省级行政区,学科构成以重症医学为主体(56名),同时交叉纳入循证医学(2名)与人工智能/生物医学工程(4名),在方法学严谨性与技术前沿性上形成互补;机构层级涵盖委属医院、大学附属医院、区域医疗中心、省级/市级三甲医院、部队医院及社会办医疗机构,代表性充分,专家团队透明可见。所有参与成员均按要求申报利益冲突。(二)临床问题与候选共识意见的形成工作组通过文献检索、专家访谈、工作组会议和预调查,梳理重症医学AI临床应用与治理中的主要问题,形成初始临床问题和候选共识意见。工作组结合重症临床重要性、AI应用现状、潜在风险、可实施性及我国医疗实践,对候选问题进行讨论、合并和修订,形成提交专家咨询的条目。(三)证据的检索、筛选及评价工作组系统检索PubMed、Embase、WebofScience、CochraneLibrary、中国知网、万方和维普等数据库,检索时间为建库至2026年6月,不限定发表语言。检索词包括重症监护、AI、机器学习、连续监测、监护波形、报警管理、脓毒症、休克、急性呼吸窘迫综合征(acuterespiratorydistresssyndrome,ARDS)、机械通气、急性肾损伤(acutekidneyinjury,AKI)、肾脏替代治疗(renalreplacementtherapy,RRT)、体外膜氧合(extracorporealmembraneoxygenation,ECMO)、临床决策支持、大语言模型、智能体、外部验证、真实临床环境评价及模型漂移等。政策、监管和规范性文件通过国家卫生健康委员会、国家药品监督管理局、世界卫生组织、美国食品药品监督管理局(FoodandDrugAdministration,FDA)、国际医疗器械监管机构论坛、欧盟等官方网站进行检索。纳入文献类型包括指南、共识、系统评价、随机对照试验(randomizedcontrolledtrial,RCT)、队列研究、模型开发与验证研究、实施研究及监管文件。工作组根据研究类型对纳入文献进行质量评价和证据整理。鉴于本共识同时包括临床应用、工程实施和治理规范,证据类型异质性较大,未采用统一的证据质量分级和推荐强度体系。(四)共识意见的形成本共识采用改良德尔菲法开展2轮专家咨询,投票采用非匿名方式。专家对拟纳入共识的候选意见使用5点Likert量表评分:1分为强烈不赞同,2分为不赞同,3分为不确定,4分为赞同,5分为强烈赞同。同意率≥70%且变异系数≤20%的条目判定为达成共识。第一轮未达到预设标准的条目,由工作组根据专家书面意见修改后进入第二轮咨询;第二轮仍未达到预设标准的条目不纳入正式共识,相关争议可在讨论或后续研究建议中说明。存在相关利益冲突的专家按规定回避相应条目的讨论和投票。经工作组讨论后进一步调整。最终共识以主题化的推荐意见形式呈现,并附以相应一致性评价结果,显示每一条目的同意率与变异系数。共识随着未来证据的更新,原则上每3~5年更新1次;如出现重大安全事件、重要监管政策变化或高质量临床证据,可根据需要提前启动更新。二、重症医学AI的临床应用推荐意见1:对于重症疾病(如脓毒症、休克/循环衰竭、ARDS、AKI等)的早期识别,可在传统评分量表的基础上,联合应用AI模型进行辅助预警。(同意率:92.9%,变异系数:14.2%,强烈赞同率:47.6%)对于重症疾病(如脓毒症、休克/循环衰竭、ARDS和AKI等)状态识别的传统评分量表,如序贯器官衰竭评估(sequentialorganfailureassessment,SOFA)、急性生理学与慢性健康状况评分Ⅱ(acutephysiologyandchronichealthevaluationⅡ,APACHEⅡ),是基于人群层面开发的,可反映疾病严重度与器官功能,仍是临床评价的重要手段。但危重患者病情变化迅速,常需连续监测生命体征、实验室指标和治疗反应的动态变化等。AI可整合多源连续时序数据,动态识别风险变化,可能会提高早期识别效果,但仍需继续验证。脓毒症领域,多项研究显示机器学习模型具有早期风险识别潜力。靶向实时早期预警系统(targetedreal-timeearlywarningsystem,TREWS)多中心前瞻性研究显示,对于3h内获得临床确认的预警病例,住院病死率可降低[3];NAVOYSepsis算法通过前瞻性随机临床验证,进一步探索了AI预警系统在ICU场景中的应用价值[4];已有研究完成了基于大语言模型的脓毒症早期预测系统的前瞻性部署[5]。Bhargava等[6]报道了首个获FDA授权的脓毒症AI/机器学习预测工具的多中心开发与验证结果,这标志着重症AI预警工具开始进入监管批准的临床产品阶段。在循环衰竭方面,Hyland等[7]基于高时间分辨率ICU数据建立的预警模型可识别90%的循环衰竭事件,其中82%的事件可提前≥2h预警。在AKI领域,Tomašev等[8]基于703782例成人纵向电子病历建立的连续AKI预测模型可提前至48h识别部分AKI事件,并在多中心外部验证中评估了其真实运行可行性[9]。上述研究提示,AI可利用连续、多维临床数据补充传统评分体系,提高提前识别能力。然而,AI预测性能的提升并不必然转化为临床结局获益。现有研究多为回顾性设计,同样存在标签定义不一致、外部验证不足和校准报告不充分等问题[10-11,12,13-14]。部分研究显示,单纯增加自动化预警并未改善患者的主要临床结局[15-16],提示AI预警系统的临床价值不仅取决于算法性能,还依赖于规范化响应流程、人机协同模式和真实世界实施条件。因此,AI预警结果应作为传统临床评估的补充,由临床医师结合患者具体情况进行综合判断。推荐意见2:对于有高度异质性的重症疾病(如脓毒症、ARDS、AKI等),在遵循现行国际定义与分型标准的基础上,可应用AI模型(潜在类别分析、聚类、机器学习等)识别亚表型或内型,作为现阶段临床评估的补充工具。(同意率:100.0%,变异系数:11.1%,强烈赞同率:35.7%)重症疾病多具有高度异质性,如脓毒症、ARDS和AKI等。脓毒症与ARDS的国际共识定义为规范诊疗和研究提供了重要基础[17-18];其中ARDS定义近年来已更新为全球定义,强调在资源不同地区的适用性[19],2023年欧洲重症医学会指南亦将表型识别纳入ARDS管理框架[20]。但上述基于临床综合征的界定方式难以充分反映潜在生物学异质性[21]及对治疗反应的个体差异。AI可整合多模态临床及生物学数据,为识别亚表型/内型提供方法学支持,但其结果目前主要作为临床评估的补充,尚不能替代常规临床评估和临床医师判断。脓毒症方面,对不同亚表型体系的比较分析显示,各分型方案识别的患者群体仅部分重叠,尚未形成统一的分类标准[22]。基于两项前瞻性队列和两项随机试验的分析证实了脓毒症分子表型与临床结局及治疗反应的关联[23];西非前瞻性队列的转录组学研究提示宿主反应表型在不同人群和感染背景中具有一定的可推广性[24];基于体温轨迹的脓毒症亚表型研究显示了可重复的免疫谱与临床结局差异[25]。IMPACCT国际多中心观察性研究对基于基因表达的脓毒症免疫亚组进行了床旁快速检测的前瞻性验证[26];但针对急诊脓毒症内型分型研究中四种临床表型的三中心外部验证发现其跨中心可重复性有限,提示无监督聚类所得临床表型的泛化能力仍需审慎对待[27]。脓毒症免疫失调的分型策略及其向精准医学转化的路径可能也是值得关注的方向[28-29]。ARDS方面,近3年的研究已从前瞻性队列中验证了炎症亚表型的可重复性:一项二次分析显示,在ICU出院时通过精简变量模型仍可识别出既往报道的高炎症/低炎症亚表型,且该分型与出院后病死率显著相关[30];在接受高流量氧疗的ARDS患者[31]中也识别出一致的炎症亚表型,提示其存在于疾病全程。机器学习聚类研究在俯卧位通气患者中识别出病死率显著不同的亚表型,但无法预测患者对俯卧位治疗的反应[32];关于表型时间稳定性的研究表明,亚表型并非固定不变,其对早期糖皮质激素治疗和病死率的含义随时间变化[33];多队列纵向分析还显示,高炎症表型比例随病程下降,由高炎症向低炎症表型的转化与病死率改善相关[34]。在床旁转化方面,PHIND多中心前瞻性观察性研究利用床旁免疫检测实现了炎症亚表型的前瞻性识别[35],美国的SPARC多中心研究同样证实了快速前瞻性分型的可行性[36]。AKI方面,整合血液与尿液生物标志物的分析识别出与长期不良结局相关的AKI亚表型,且独立于现行风险分层标准[37];儿童脓毒症相关AKI亚表型已完成多中心外部验证,并具有独特的分子特征和差异化的治疗反应(如糖皮质激素在轻症亚表型中可能与更差结局相关)[38];Legrand等[39]回顾了脓毒症相关AKI临床试验的最新证据,指出亚表型识别策略的进展为精准化试验设计和治疗优化提供了关键方向。个体化治疗效应(individualizedtreatmenteffect,ITE)分析框架可量化与验证危重患者的差异化治疗反应[40];国际共识建议以“信息性分型”为导向推动靶向免疫调节治疗的转化[41]。但总体而言,现有证据中治疗效应异质性的发现仍以事后分析为主,不同分型体系间缺乏统一标准[22],临床表型的跨中心可重复性不理想[27],且表型具有时间动态性[34]。因此,现阶段亚表型/内型识别结果宜作为临床评估的补充工具,用于辅助风险分层、预后评估和个体化治疗决策探索,尚不能替代常规临床评估和临床医师判断,有待继续研究。推荐意见3:在重症复杂治疗决策(如脓毒症液体复苏、机械通气撤机、抗菌药物优化及RRT时机等)形成过程中,在遵循现行临床指南、诊断标准和规范化诊疗流程的基础上,可利用AI模型对治疗方案进行动态模拟、疗效预测与风险预警,辅助个体化治疗。(同意率:85.7%,变异系数:15.8%,强烈赞同率:31.0%)重症治疗决策具有高度连续性、序贯性和反馈依赖性,治疗选择需随疾病阶段、器官功能及既往干预反应动态调整。传统基于固定时间点指标的治疗策略难以完全反映患者病程演变过程。以强化学习(reinforcementlearning,RL)和个体化治疗效应分析方法为代表的AI模型,可通过整合纵向临床数据,探索不同治疗策略与患者结局之间的关联,为复杂重症治疗过程中的动态风险评估、方案模拟和个体化决策提供新的方法学支持。在脓毒症治疗领域,Komorowski等[42]基于美国多中心ICU数据库建立的AI临床医师模型,利用强化学习方法探索液体复苏和血管活性药物使用策略,在独立队列中显示出潜在优化信号[43]。后续研究进一步提示,强化学习模型或可辅助识别更可能从早期加用血管升压素中获益的脓毒性休克患者[44]。在机械通气撤机预测方面,一项前瞻性观察性研究利用呼吸机图形界面图像训练深度学习模型,成功复现了重症医师的撤机决策[45]。个体化治疗效应方面,基于贝叶斯加性回归树的事后分析表明,脓毒性休克与急性呼吸衰竭患者对糖皮质激素的治疗反应存在个体差异。抗菌药物管理方面,机器学习可辅助住院医师的抗菌药物处方决策[46],但现有证据仍多局限于处方行为的合理性评估,尚缺乏对临床结局改善的直接验证。然而,当前重症AI治疗决策研究仍主要基于回顾性真实世界数据,存在治疗选择偏倚、策略泛化能力不足以及跨中心迁移困难等问题[47-48]。近期一篇纳入72项研究的综述指出,针对脓毒症的强化学习研究大多数为回顾性,其中80.6%基于重症监护医疗信息集市(MedicalInformationMartforIntensiveCare,MIMIC)公开数据库,证据尚缺少前瞻性、干预性研究验证,策略的安全性、边界条件和跨中心可迁移性尚未充分确立[47]。因此,AI生成或辅助形成的治疗建议应被视为临床决策的辅助信息,由临床医师结合患者实时状态、治疗反应及动态评估作出最终决策[49]。推荐意见4:可研究和应用AI对ICU多源监护报警进行整合、去噪与优先级分层,以辅助减少无效报警、缓解报警疲劳并提高报警响应质量。(同意率:90.5%,变异系数:14.2%,强烈赞同率:28.6%)ICU监护系统报警频繁且假阳性率高。近期大样本定量研究在单个ICU超过11万次心电监护报警的记录中发现,报警结构不合理、医护人员对报警呈选择性响应、设备配置与报警阈值缺乏标准化是突出问题[50];质性研究继续揭示,报警疲劳的形成涉及报警过载、认知脱敏与应对策略失调的动态过程[51]。纳入25项研究的系统评价与Meta分析显示,现有报警管理干预对减少报警数量的总体效应很弱[52];教育类干预可减少报警总量,提高护士的知识并改善报警管理行为,但对报警疲劳本身的改善效果仍不确定[53]。在智能化方向上的证据近年来逐渐增多:纳入7项研究的整合综述显示,智能化报警管理干预(含AI辅助工具)可减少误报数量、缩短报警持续时间,并缩短护士对重要报警的响应时间[54]。更具说服力的直接比较证据来自eICU协作研究数据库人群研究:基于机器学习的预警通知与传统监护仪报警、远程医疗系统警报进行头对头比较,结果显示机器学习通知的准确度(0.87~0.94)显著高于远程医疗系统警报(0.28~0.53)和传统监护仪报警(0.019~0.028),报警负荷显著低于远程医疗警报,且在外部独立中心验证中性能保持稳定,提示AI预警可能从源头减少无效报警[55]。总体而言,AI用于报警整合、去噪和优先级分层具有技术可行性,且与报警疲劳治理目标高度契合;但当前证据仍以小样本、单中心或离线验证为主,进入临床评价的智能化干预研究数量有限[54],缺乏以报警负担、响应及时性和患者结局为终点的前瞻性研究。须强调的是,报警去噪和优先级分层应在预设临床安全阈值的基础上实施,并重点评价漏报率、报警负担和重要事件响应情况。推荐意见5:可将AI技术应用于ICU床旁检查、检验及监测流程,包括床旁超声图像自动测量与辅助判读、即时检验、结果自动审核与定量解读、连续监护波形分析及快速病原检测的智能判读等,以缩短结果报告时间、提高结果判读的准确性与一致性;AI报告的危急值与诊断性结论必须由具备资质的医务人员人工审核确认后方可发布,AI判读结果宜作为辅助参考。(同意率:88.1%,变异系数:14.4%,强烈赞同率:23.8%)AI在床旁超声领域已实现心室功能自动量化与图像质量控制。基于大于5万例超声心动图训练的深度学习模型可实现左室射血分数自动测量,准确性与专家相当[56];RCT研究显示,AI引导的超声心动图采集可显著提高非心脏专科医师的图像质量和诊断效率[57];多中心前瞻性研究显示,深度学习辅助的超声心动图判读可减少医师间差异[58];肺部超声B线自动定量与间质综合征诊断的曲线下面积达0.93~0.96[59];基于大型数据集的模型亦可实现低年资操作者的自动测量[60]。近期,床旁/便携式超声的深度学习自动判读已出现前瞻性临床评价研究(如腹主动脉瘤筛查场景),提示其向真实世界临床工作流程验证的方向发展[61]。实验室自动审核是即时检验(point-of-caretesting,POCT)智能化的重要环节。CLSIAUTO10-A指南为自动审核系统提供了规范框架,包括从规则设定到性能验证的全流程[62];基于机器学习的自动审核系统已在临床生化[63]和凝血检验[64]中得到验证,可减少人工审核工作量并提高异常检出一致性。在连续监护波形分析方面,AI-心电图可从12导联心电图中识别隐匿性左室收缩功能障碍,并在RCT中显示可提高低射血分数的早期检出率[65]。AI与快速病原检测技术的结合正显著缩短重症感染病原学诊断与药敏结果回报时间。宏基因组二代测序(metagenomicnext-generationsequencing,mNGS)方面,Bergin等[66]的前瞻性研究证实,血浆微生物游离DNA测序可在重症肺炎患者中提前识别常规培养漏检的病原体,为经验性抗感染方案的早期调整提供依据。纳米孔测序方面,Han等[67]前瞻性评估了基于病原体特异性引物的纳米孔靶向测序技术,其在387份血流感染样本中的阳性检出率与mNGS相当且显著优于血培养,95%的样本可在约7h内完成检测与耐药基因分析;Liu等[68]进一步将纳米孔自适应采样技术直接应用于阳性血培养标本,在测序第1小时即能可靠地完成菌种鉴定,15h内实现耐药预测,对肺炎克雷伯菌和金黄色葡萄球菌等耐药预测错误率均<1.5%,达到FDA对诊断试剂的要求。在质谱技术方面,机器学习可直接从基质辅助激光解吸电离飞行时间质谱(Matrix-AssistedLaserDesorption/IonizationTime-of-Flight,MALDI-TOF)图谱预测耐药表型:Nguyen等[69]建立了针对铜绿假单胞菌的耐药预测模型,Wiesmann等[70]的多中心验证研究进一步证实了该方法在不同菌种与抗菌药物组合中的可重复性与外部有效性。在形态学诊断环节,Walter等[71]评价了全自动数字显微扫描联合深度卷积神经网络辅助判读阳性血培养革兰氏染色涂片的性能,其与人工镜检的阳性/阴性符合率均达到较高水平;McMahon等[72]开发的基于大规模视觉Transformer的革兰氏染色全切片图像分类框架无需人工标注,并在外部数据集中展现出良好的泛化能力。在基因组层面,Nguyen等[69]提出的抗菌药物耐药性图神经网络模型可利用全基因组序列精准预测细菌耐药表型,为从基因型到药敏结果的AI转化提供了新范式。上述进展提示,AI赋能的快速病原检测技术有望将重症感染的病原学诊断从“天”级压缩至“小时”级,但其临床常规应用仍需前瞻性多中心研究验证其对患者结局的实际影响。上述证据表明,AI在床旁超声、POCT自动审核、连续波形分析和快速病原检测中可辅助缩短检测时间、提高判读准确性,但现有证据多来自回顾性算法开发或模拟验证研究,前瞻性实施研究及对临床结局的影响仍有限,需在真实世界临床环境中继续验证。推荐意见6:可探索具身智能与人机协同系统在ICU非侵入性辅助、远程查房交互、护理支持、环境巡检和流程协同中的应用。(同意率:83.3%,变异系数:19.1%,强烈赞同率:21.4%)重症医疗资源存在显著的时空分布不均,机器人与远程技术可突破物理限制延伸重症诊疗能力。范围综述显示,AI机器人系统在ICU的应用主要包括治疗辅助、护理辅助、康复辅助、远程呈现及物流与消毒五大类型。TELESCOPE整群随机临床试验显示,由远程重症医师主导的每日多学科远程查房并未缩短ICU住院时间,提示远程查房不能简单等同于床旁查房的替代方式,其效果依赖于实施强度、远程建议的采纳率及本地团队的响应能力[73];而巴西全国性远程重症项目的真实世界研究表明,在重症资源分布不均地区,远程重症支持模式具有规模化覆盖的可行性[74]。在床旁操作能力的远程延伸方面,系统评价显示机器人辅助远程超声检查具有可行性与安全性,检查成功率接近常规床旁超声,但图像传输带宽与触觉反馈缺失仍是限制其推广的技术瓶颈[75]。同时,针对ICU医护人员的质性研究显示,临床团队普遍接受机器人承担非复杂、重复性任务以减轻工作负担,但认为需要复杂临床判断的任务不宜完全自动化,且隐私、患者安全与人文关怀的边界需事先明确[76]。在重症烧伤救治场景中,智慧化ICU可依托物联网设备互联、多模态数据整合、AI算法和远程医学平台,支持危重患者连续监测、病情预测评估和远程协同[77];在重症医学学科建设中智慧化ICU的机遇可归纳为病情早期发现、预测预警、辅助决策、资源调配及远程支持等维度。具身智能系统在医疗场景中的有效性评估需要专门的评价框架,手术机器人阶段性评估框架为具身智能系统的临床转化提供了阶段性评价标准[78]。解放军总医院第一医学中心研发的ICU智能巡诊机器人已实现移动巡诊、异常动作监测、多模态数据采集与AI预警等功能,机器人结合智慧化ICU系统应用后,创伤相关多器官功能障碍综合征的救治成功率达到94.3%。具身智能机器人在医疗领域的系统综述显示,现有研究主要分布于手术、康复、物流和远程呈现4个方向,多数处于原型验证或初步临床评价阶段,普遍存在外部验证不足、样本量小、缺乏成本效益数据等问题,提示具身智能在重症场景的落地仍需规范化临床评估[79]。推荐意见7:重症AI模型研究应注重高质量临床研究验证与循证证据产出,可优先开展三类研究:(1)对已有模型进行独立外部验证与前瞻性验证;(2)以患者结局为终点开展干预性研究(RCT等);(3)开展系统综述与方法学评价梳理存量证据。(同意率:97.6%,变异系数:12.3%,强烈赞同率:42.9%)现有重症AI研究的证据结构呈“金字塔倒挂”:底层模型开发研究数量庞大,顶层干预性证据稀缺。系统综述显示,ICU场景的AI研究绝大多数停留在模型开发阶段,真正进入临床评价者比例很低[80];脓毒症预测模型的Meta分析表明,多数模型偏倚风险较高且缺乏外部验证[3];针对医学机器学习RCT的系统综述显示,相关RCT数量有限,报告质量与偏倚控制参差不齐,且鲜有患者结局与卫生经济学终点[81-82]。外部验证方面,Wong等[8]对广泛部署的Epic脓毒症模型进行独立验证,发现其鉴别度与校准度明显低于开发方报告;Lyons等[83]继续发现该模型在同一医疗网络9家医院间的性能存在显著差异,提示未经外部验证与本地化评价的模型不足以支撑临床决策。干预性证据方面,Adams等[5]的前瞻性多中心研究显示,临床医师在3h内确认TREWS机器学习脓毒症预警的患者,住院病死率显著降低(调整后绝对降低3.3%);Boussina等[84]报道深度学习脓毒症模型的部署与医疗质量及生存改善相关,是目前回答“有没有用”的代表性证据;而Bedoya等[85]的研究表明,缺乏临床流程整合的预警系统部署后实际影响甚微。低血压预测指数已在外科人群中完成RCT验证[86],但在ICU脓毒性休克人群中仅有小样本前瞻性准确性研究,且其预测性能随低血压定义不同而下降[87],干预性研究尚属空白。上述证据提示,后续研究资源应优先配置于前瞻性/外部验证、干预性研究,以及对已有证据的系统性总结与评价。三、重症医学AI的治理推荐意见8:重症医学AI不应替代医务人员独立作出诊疗决策,应定位为辅助危重患者连续性评估、风险识别和临床决策支持的工具。(同意率:97.6%,变异系数:11.7%,强烈赞同率:64.3%)ICU环境兼具高数据密度与高决策风险的特征。一项纳入112项研究的范围综述显示,多数重症AI研究仍为回顾性设计,仅约27.7%的系统具备实时床旁应用能力[88]。另外两项系统综述同样指出,当前研究在外部验证、跨机构泛化、真实临床实施及工作流整合方面仍存在明显不足,单纯依赖离线模型性能尚不能判断其是否具备独立临床决策能力[80,89]。国际重症AI实施共识、FUTURE-AI、世界卫生组织医疗AI伦理与监管文件以及机器学习医疗器械良好实践原则均指出,医疗AI应具有明确的预期用途和适用边界,接受医务人员监督,并纳入以患者为中心的临床责任、透明性和全生命周期管理体系[90-95]。上述证据和规范共同支持将重症AI定位为医务人员的辅助工具,其输出应结合患者实际病情、现行诊疗规范及医务人员专业判断进行解释和应用,最终诊疗决策仍应由具备资质的医务人员承担。推荐意见9:应当根据AI输出对临床行为和患者安全的影响程度,将重症AI应用分为低风险、中风险和高风险,并实行差异化准入与监管。(同意率:92.9%,变异系数:17.3%,强烈赞同率:40.5%)风险导向是医疗AI治理和软件医疗器械监管的共同原则。国际医疗器械监管机构论坛(InternationalMedicalDeviceRegulatorsForum,IMDRF)关于医疗器械软件(SoftwareasaMedicalDevice,SaMD)的风险分类框架提出,风险判定应同时考虑软件输出对临床决策的重要性以及目标疾病或医疗情境的严重程度[96]。我国《人工智能医疗器械注册审查指导原则》提出,应围绕AI医疗器械的预期用途、使用场景、核心功能、输入输出、算法成熟度和风险控制措施开展全生命周期评价[97]。国家卫生健康委员会等部门发布的卫生健康行业AI应用场景参考指引及《关于促进和规范“人工智能+医疗卫生”应用发展的实施意见》也指出,医疗卫生AI应用应坚持场景牵引、安全可控、分类管理和规范发展[98-99]。国际监管和治理文件同样强调差异化管理。WHO医疗AI监管文件指出,AI系统风险与预期用途、使用场景、目标人群、临床后果、人机交互和持续监测密切相关[94]。FDA、加拿大卫生部和英国药品和医疗保健产品监管局提出的良好机器学习实践原则及透明性原则指出,AI/机器学习(machinelearning,ML)医疗器械应在全生命周期中关注数据代表性、临床性能、人机团队表现、用户信息透明和部署后监测[95,100]。欧盟AI法也采用风险导向框架,将可能影响健康、安全或基本权利的AI系统纳入高风险管理,并要求风险管理、技术文档、透明性、人类监督和上市后监测[101]。上述证据表明,不宜对所有重症AI应用设置同一准入标准,而应根据其对临床行为和患者安全的影响程度实行分层管理。根据上述风险导向原则,本共识参考IMDRF软件医疗器械风险分类框架,并结合重症AI的典型任务、临床影响和我国医疗机构实际应用场景,将重症AI应用划分为低风险、中风险和高风险,提出相应的准入与管理要求(表1)。推荐意见10:应当建立标准化、可追溯的重症医学AI数据治理体系,应在模型开发前建立统一的数据定义、变量映射、时间对齐、质量控制和预处理规则等。(同意率:97.6%,变异系数:12.0%,强烈赞同率:59.5%)公开重症数据库的建设推动了重症AI研究的发展,但也充分显示出重症数据治理的复杂性。MIMIC-Ⅳ、eICU协作研究等数据库均包含生命体征、检验检查、医嘱、治疗干预、护理记录和部分高时间分辨率监测数据,但在患者来源、变量结构、采样频率、设备接口、数据缺失、时间记录方式和诊疗流程等方面存在明显差异[102-106]。因此,在开展多中心模型开发与验证前,应统一任务定义、变量概念映射、单位转换、异常值处理及时间序列构建规则,可提高数据处理过程的可复现性和跨数据库可比性[107-109]。重症数据质量评价应关注完整性、正确性、一致性、合理性和时效性等维度[110],并充分考虑ICU数据特有的治疗反馈和时间异步特征。ICU生理指标常受到液体复苏、血管活性药物、机械通气、利尿剂、RRT及ECMO等干预影响,因此模型输入应准确记录关键治疗事件及其发生时间。模型训练和推理还应严格区分医嘱、执行、标本采集、结果报告和模型实际可得到时间,避免时间泄漏、标签泄漏和离线性能高估[111-112]。国际数据管理和医疗AI评估框架均强调数据质量、可追溯性和标准化。科研数据开放共享四原则提出数据及相关工作流应具备可发现、可获取、可互操作和可复用特征,为重症AI多源异构数据的标准化管理提供了基本框架[113-114];我国AI医疗器械注册审查相关指导原则亦指出,AI医疗器械应围绕数据质量进行评价[97]。这些规范共同指向:建立标准化、可追溯的数据治理体系是重症AI安全开发、外部验证、临床部署和持续监管的基础。推荐意见11:建议重症医学AI进入临床应用前完整报告研究人群、时间零点、预测目标、预测时间窗、标签来源、输入数据可得到时间、缺失处理、训练验证策略、校准、阈值选择、亚组表现和适用限制等。(同意率:100.0%,变异系数:11.3%,强烈赞同率:47.6%)现有国际规范已从不同研究阶段对临床AI的透明报告和评价提出要求。多变量预测模型透明报告规范AI扩展版(TRIPOD+AI)和临床AI建模最低信息要求(MI-CLAIM)主要规范模型开发与验证过程的报告;预测模型研究偏倚风险评估工具AI扩展版(PROBAST+AI)用于评价研究的偏倚风险和适用性;AI驱动决策支持系统早期临床评价报告规范(DECIDE-AI)强调报告系统的预期用途、使用环境、目标用户、输出呈现、人机交互、临床响应及错误处置;临床试验报告统一标准人工智能扩展版(CONSORT-AI)和干预性试验方案标准项目推荐人工智能扩展版(SPIRIT-AI)则分别规范AI干预性试验及其研究方案的报告[114-119]。尽管上述规范的适用阶段和功能不同,其共同要求是提供足够、透明的信息,使AI系统的临床用途、数据基础、开发过程、性能表现和适用边界能够被独立评价。重症AI具有显著的时间依赖性。时间零点、预测时间窗和输入数据实际可得到时间定义不清,可能导致模型使用事件发生后或临床不可得到的信息进行预测,造成时间泄漏或标签泄漏,并夸大离线性能[111-112]。因此,应严格区分入ICU时间、事件发生时间、标本采集时间、结果报告时间、护理记录时间、治疗执行时间以及模型实际可得到数据的时间,并说明标签来源和规则判定。对于动态预测模型,还应报告预测更新频率、观察窗口、预测窗口及重复预测的处理方式,以保证研究结果能够被正确解释和复现。现有重症AI研究在上述方面仍报告不足。Shillan等[89]的系统综述指出,基于常规ICU数据的机器学习研究在任务设定、变量选择、时间窗口、验证方式和报告完整性方面差异较大,限制了研究间比较与临床转化。Fleuren等[3]关于脓毒症机器学习预测的系统评价显示,尽管部分模型在回顾性数据中表现较好,但研究间异质性显著,外部验证与前瞻性临床实施研究不足,因此作者强调需要更系统的报告和临床实施研究。针对AKI和ARDS的重症AI系统综述同样揭示了标签定义不一致、外部验证缺乏、校准报告不充分以及偏倚风险较高等共性问题[120-121]。现有证据表明,当前重症AI研究普遍存在报告不完整、时间结构不清、校准缺失和外部验证不足等问题,直接限制了研究的可评价性与临床转化[3,89,120-121]。因此,建立统一、完整的报告标准是提高重症AI研究可重复性与临床可用性的基础。推荐意见12:重症医学AI系统进入临床应用前,应遵循递进式临床准入路径,依次完成独立外部验证、本地适用性评价和前瞻性非干预性运行评价;涉及治疗建议、生命支持参数调整或自动执行的高风险系统,还应追加前瞻性临床评价。(同意率:100.0%,变异系数:11.2%,强烈赞同率:38.1%)当前重症AI模型的临床部署普遍缺乏标准化准入路径,大量模型仅完成内部验证,尚未外部验证,就进入临床使用。此时模型存在性能衰减、适配不良和安全隐患等系统性风险。已有多组研究者提出阶段性实施框架以规范这一“最后一公里”问题。You等[122]提出了基于临床试验理念的“四阶段”实施框架(安全性确认→有效性验证→效果比较→持续监测),为医疗机构提供了从引入到常态化运行的结构化路径;vanderVegt等[123]通过对现有指南和标准的系统梳理,推导出了端到端流程的SALIENT框架,明确将“本地适用性评价”作为独立且必要的实施前步骤;Gama等[124]的范围综述纳入31项AI实施框架研究,发现所有成功案例均包含前瞻性非干预性运行阶段,跳过此步骤直接进入干预性部署的系统,其临床接受度和持续使用率显著更低。独立外部验证是临床准入的技术确认最低门槛,旨在验证模型在目标机构患者数据上的基本性能是否可接受。Reddy等[125]提出的评估框架将外部验证列为临床实施前的首要技术把关步骤,强调须使用与训练数据时间窗无重叠的本地历史数据,评估区分度与校准度。Yang等[126]通过多站点新型冠状病毒感染筛查研究证实,即使经过外部验证的模型在新站点仍可能出现显著性能衰减(受试者工作特征曲线下面积从开发集0.95降至部分外部站点0.78),反映了在目标机构重复进行外部验证的必要性。本地适用性评价则超越纯技术性能,包括数据管道可及性、计算基础设施、临床工作流整合可行性和利益相关方接受度等多维度评估。Peek等[127]的综述显示,在已发表的20个临床AI实施框架中,超过80%将本地环境适配性评估列为独立必要步骤;Bizzo等[128]分享梅奥诊所经验时指出,该阶段应建立跨学科审查委员会,系统评估AI输出与本地临床实践的兼容性。前瞻性非干预性运行(又称“影子模式”或平行运行)是在真实临床数据流中实时运行模型但不将输出呈现给临床决策者的过渡阶段。vanderVegt等[129]在脓毒症预测模型部署的系统评价中验证了该步骤的核心价值:在影子模式下收集前瞻性性能数据、识别训练数据未覆盖的边界情况、建立临床团队对系统的信任基础。此阶段的最短持续时间尚无统一定论,基于现有框架文献的综合判断,建议≥3个月或至少覆盖100例目标患者。对于涉及治疗建议、生命支持参数调整指令或自动执行功能的高风险系统,在上述三步基础上还应开展前瞻性临床评价,以确认系统安全性与临床效用。Hellmeier等[130]提出的适应性验证框架指出,高风险AI系统的临床评价应预设明确的性能目标和安全性阈值,未达到预设目标时须返回优化迭代而非直接部署;ElArab等[131]的叙述性综述继续指出,从临床试验到真实世界部署的转化需建立持续质量改进循环,而非一次性验证事件。Riley等[132]的样本量计算方法可为前瞻性临床评价的样本量规划提供参考;Daye等[133]建议将放射科AI实施中的决策机制(包括技术审查、临床审查和伦理审查三层)推广至所有高风险临床AI系统的准入流程;Ibrahim等[134]报告的SPIRIT-AI和CONSORT-AI指南则为前瞻性临床评价的规范报告提供了方法学标准。上述四步递进路径构成了重症医学AI系统从“技术就绪”到“临床就绪”的规范化准入链条,分别回应4个层级的核心问题:独立外部验证评估模型在目标人群中的判别与校准性能是否达到预设技术阈值,回答“能否用”之问;本地适用性评价考察数据基础设施、工作流嵌入条件及组织情境因素的匹配程度,回答“是否可用”之问;前瞻性非干预性运行通过影子模式获取真实环境下的前瞻性性能数据并识别边界案例,回答“是否持续可用”之问;前瞻性临床评价则对高风险系统验证其临床安全性与效用,回答“是否安全有效”之问。建议医疗机构将此路径制度化纳入AI采购与内部开发的准入审批流程,为每一步骤设定明确的技术与临床通过标准,形成“未达标、不推进”的刚性约束机制。推荐意见13:重症医学AI系统临床应用前应当完成真实数据全链路测试、接口稳定性测试、异常场景验证和报警规则评估,并且建立明确的人工接管和暂停机制。(同意率:100.0%,变异系数:11.3%,强烈赞同率:42.9%)现有医疗AI规范主要强调早期临床评价和临床相关测试,但对系统上线前的工程测试(如接口稳定性、异常场景验证)尚缺乏专门论述。DECIDE-AI指出,早期临床评价不仅应关注模型性能,还应关注AI系统如何嵌入临床工作流、用户如何理解和响应输出,以及运行中可能出现的错误和安全风险[116]。机器学习良好规范(goodmachinelearningpractice,GMLP)原则也指出,AI/ML医疗产品应在临床相关条件下进行测试,并关注人因因素、用户信息透明、模型性能和全生命周期管理[95]。临床部署研究表明,数据链路和接口稳定性是模型能否稳定运行的基础[135-136],ICU报警管理研究则表明报警负担和临床响应路径直接影响系统实际效果[85,137]。这些证据共同说明,重症AI上线前不仅需评价模型性能,还需验证数据链路的工程可靠性和报警规则的可操作性。临床AI部署研究表明,模型上线依赖可靠的数据接口、实时运行架构和工作流整合。Corbin等[135]提出的实时机器学习模型电子病历部署框架用于将实时机器学习模型部署至电子病历系统,其核心环节包括触发机制、实时数据采集、推理服务、结果回传、静默运行、性能监测和前瞻性评价。Boss等[136]构建的ICUCockpit平台可连续采集ICU多模态波形和临床数据,支持在线可视化、算法验证和实时决策支持,提示重症AI部署需要稳定的数据流、实时处理能力和可验证的运行基础设施。上述研究说明,重症AI从模型研究走向床旁应用时,数据链路、接口稳定性和运行架构本身就是上线前安全评价的重要内容。同时,重症AI上线前不仅需验证模型能否产生预测结果,还需验证结果能否稳定、及时、正确地进入临床流程,以及系统异常时医护人员能否及时识别、处置和暂停。推荐意见14:重症AI系统投入临床应用后应当持续监测模型性能、数据漂移、报警负担、亚组表现和安全事件,并建立再校准、版本更新和异常处置机制。(同意率:100.0%,变异系数:11.3%,强烈赞同率:42.9%)临床预测模型在真实环境中可能随时间发生性能衰减。Davis等[138]基于AKI预测模型的研究显示,随着患者构成和结局发生率变化,模型校准可随时间漂移,提示临床模型上线后需要持续监测和必要更新。Davis等[139]继续提出动态校准曲线和漂移检测方法,用于识别临床预测模型校准恶化并支持模型更新决策。Finlayson等[140]指出,临床AI系统可能因患者人群、测量方式、临床流程、疾病流行特征或治疗策略变化而发生数据集转移,导致模型在真实环境中性能下降。这些研究说明,重症AI上线后不能只依赖上线前验证结果,而应持续监测模型性能和数据分布变化。医疗AI全生命周期管理和变更控制规范也支持上线后持续监测。机器学习良好规范原则指出,AI医疗产品应关注临床相关测试、用户信息透明、模型性能监测和全生命周期管理[95]。FDA关于AI驱动的医疗器械软件功能的预定变更控制计划的指导文件提出,预期的软件或模型修改应预先说明修改内容、实施方法和影响评估,以支持AI系统在保持安全性和有效性的前提下进行迭代更新[141]。这些规范表明,上线后持续监测和受控的模型更新是维持AI系统临床安全性的必要措施。真实世界研究表明,已部署或广泛使用的预警模型仍可能存在性能不足和报警负担。Wong等[8]对广泛部署的Epic脓毒症模型进行外部验证,发现其区分度和校准不足,并存在低敏感度和较大报警负担,提示已上线或广泛使用的模型仍需持续评价。Drew等[137]对ICU连续监护报警的观察性研究显示,床旁报警数量巨大,无效报警可导致报警疲劳并影响真正危急事件识别。因此,重症AI上线后不仅要监测模型性能,还应监测报警频率、重复报警、临床响应率和潜在安全事件。亚组表现也应纳入上线后监测。Obermeyer等[142]研究显示,医疗算法可能因替代标签选择和人群差异产生系统性偏倚,导致不同人群在相同风险评分下得到不同程度的识别和服务。尽管该研究并非针对ICU,但其揭示的算法偏倚机制在重症AI场景中同样适用。在ICU中,不同年龄、性别、疾病类型、基础疾病、病情严重程度、生命支持方式和数据来源均可能影响模型性能。整体性能稳定并不代表所有亚组均安全可用,因此应持续监测亚组区分度、校准、误报和漏报情况。综上,持续监测模型性能、数据漂移、报警负担、亚组表现和安全事件,是维持重症AI系统长期临床安全性的必要措施。推荐意见15:生成式AI、多智能体、数字孪生和机器人等新兴技术在重症场景中应当坚持限定用途、人工复核、可追溯运行和高风险场景审慎应用原则。(同意率:92.9%,变异系数:14.2%,强烈赞同率:47.6%)大语言模型在重症医学场景中的应用研究近年来迅速增多。针对欧洲重症医学专科考试水平问题的基准研究显示,先进大语言模型的答题准确率可达93%以上,多个模型达到或超过重症医师平均水平,但所有模型均存在一致性错误;针对复杂重症病例鉴别诊断的前瞻性RCT研究显示,推理型大语言模型的首位诊断准确率达60%,在其辅助下重症住院医师的诊断准确率由27%提高至58%,诊断耗时由中位1920s缩短至972s[143];基于大语言模型的脓毒症早期预测系统已完成前瞻性部署实施,提示该类技术正由单一文本问答向整合电子病历信息、参与真实世界重症预警流程的方向发展[144]。然而,上述研究多处于基准测试、模拟病例读者研究或早期实施阶段,仍不能替代重症真实临床环境中的安全性、有效性和患者结局评价[145]。大语言模型和医学基础模型显示出信息整合和临床文本处理潜力,但也存在幻觉、事实错误、偏倚、隐私泄露、上下文遗漏和不可重复输出等风险[145]。多智能体系统是医学AI的新方向之一。多智能体医疗系统可通过角色分工、任务分解、相互校验和工具调用,模拟多学科协作或复杂临床流程。多项研究显示,多智能体会话可在罕见病诊断和检查建议中优于单一模型;多智能体迭代检索和问题分解可提高医学问答质量和可信度;多智能体医疗系统被视为下一代医学AI的重要潜在发展方向,但其临床应用需要明确任务边界、责任归属、安全评价和人类监督[146-148]。但多智能体系统也可能因链式推理、工具调用和多模型协作而放大错误,形成错误传播、目标冲突或责任不清。因此,进入重症场景前,应明确智能体角色、调用权限、输出责任和人工终止条件;涉及临床决策或治疗执行时,应按照中高风险系统进行验证和监管。数字孪生和合成数据为重症AI提供了新的仿真和验证路径。数字孪生强调基于连续、动态和多源数据构建患者或器官系统的虚拟表征,可用于预测建模、虚拟试验和干预方案预评估。数字孪生可能推动个体化医疗、临床试验优化和患者健康轨迹预测,但其应用依赖高质量数据、合理建模假设、机制可解释性和严格验证[149-152]。数字孪生-生成式预训练变换器等研究表明,大语言模型可用于患者健康轨迹预测和虚拟患者构建[153];心血管数字孪生研究也显示,将机制仿真融入AI分析可能提升预后模型的解释性[154]。但数字孪生不能替代真实临床数据验证,也不能在缺乏前瞻性评价的情况下直接指导重症治疗策略或生命支持参数调整。因此,新兴技术应先从低风险、可审计、可回退场景试点,逐步形成证据和治理能力。推荐意见16:医疗机构在重症医学AI临床应用前应当对医师、护士和相关人员开展培训、模拟演练和授权管理,使其理解AI系统的预期用途、适用对象、输出含义、常见错误、偏倚来源和接管流程等,并将AI使用能力纳入持续教育和质量改进。(同意率:95.2%,变异系数:13.3%,强烈赞同率:47.6%)人员培训和组织准备是重症AI实施的重要条件,大部分临床医师并不能很好地理解这些模型建立的原理和方法,因此在机器学习与临床结合方面可能会存在鸿沟[155]。Cecconi等[2]国际重症AI实施共识指出,AI正在改变重症临床实践和医学教育。医务人员需要理解AI和数据科学的基本概念、方法和局限,能够批判性评价AI输出,识别偏倚和适用限制,并在临床情境中作出知情决策。该共识还指出,AI培训不应仅面向医学生,也应覆盖已有临床经验的医师、护士和其他相关专业人员[2]。这与重症AI高风险、强流程依赖和多岗位协作的特点相一致。医疗AI实施研究也显示,模型性能并不能自动转化为临床价值。Kelly等[156]指出,医疗AI从研究走向临床应用,需要解决临床评价、泛化能力、工作流嵌入、监管和组织采纳等问题。Shaw等[157]也指出,医疗机器学习的实施不仅是技术部署,还涉及使用者、组织、工作流程、解释方式、隐私、偏倚和责任分配。DECIDE-AI报告规范指出,AI驱动临床决策支持系统在早期临床评价阶段,应报告使用场景、目标用户、人机交互、安全性和工作流嵌入情况[116]。这些证据表明,重症AI上线前应确认临床团队是否能够正确使用系统,而不能仅凭离线性能或技术验收决定是否投入临床流程。从患者安全角度看,培训还应覆盖自动化偏倚和错误输出处置。Goddard等[158]关于临床决策支持系统自动化偏倚的系统综述显示,使用者可能过度依赖自动化建议,并忽略与系统建议相矛盾的信息。Gaube等[159]研究也表明,临床人员在面对AI建议时可能受到其影响,即使AI建议错误,仍存在依赖风险。因此,中高风险重症AI系统的培训应使医护人员理解模型输出的不确定性,掌握人工复核、异常处置、系统暂停和事件上报流程。FDA、加拿大卫生部和英国药品和医疗保健产品监管局关于机器学习医疗器械透明性的指导原则也指出,应关注人机团队表现,并向使用者提供清晰、必要的信息[100]。因此,本共识认为,中高风险重症AI系统上线前应完成岗位培训、模拟演练和授权管理。培训记录、演练结果和岗位授权应作为上线前准入材料,并纳入继续教育、医疗质量管理和不良事件复盘。四、利益冲突、传播与更新所有参与专家均已填写利益冲突声明并按要求披露。与AI产品、数据平台、软件企业或相关商业机构存在合作关系的专家,应进行披露,必要时在相关条目讨论和投票中回避。本共识形成后,建议通过学术会议、继续教育和医院培训进行推广,并根据技术、监管和临床证据变化进行更新,原则上每3~5年更新一次;如出现重大安全事件、监管变化或高质量临床证据,可提前更新。参考文献1LorigaB,BaglivoF,BelliniV,etal.Topthreeprioritiesforartificialintelligenceintegrationintoemergency,critical,andperioperativemedicine:aninterdisciplinaryclinicalexpertconsensus[J].JAnesthAnalgCritCare,2025,5(1):77.2CecconiM,GrecoM,ShickelB,etal.Implementingartificialintelligenceincriticalcaremedicine:aconsensusof22[J].CritCare,2025,29(1):290.3AdamsR,HenryKE,SridharanA,etal.Prospective,multi-sitestudyofpatientoutcomesafterimplementationoftheTREWSmachinelearning-basedearlywarningsystemforsepsis[J].NatMed,2022,28(7):1455-1460.4PerssonI,MacuraA,BecedasD,etal.EarlypredictionofsepsisinintensivecarepatientsusingthemachinelearningalgorithmNAVOY®Sepsis,aprospectiverandomizedclinicalvalidationstudy[J].JCritCare,2024,80:154400.5WorkumJD,VolkersB,vandeSandeD,etal.Comparativeevaluationandperformanceoflargelanguagemodelsonexpertlevelcriticalcarequestions:abenchmarkstudy[J].CritCare,2025,29(1):72.6BhargavaA,López-EspinaC,SchmalzL,etal.FDA-authorizedAI/MLtoolforsepsisprediction:developmentandvalidation[J].NEJMAI,2024,1(12):AIoa2400867.7HylandSL,FaltysM,HüserM,etal.Earlypredictionofcirculatoryfailureintheintensivecareunitusingmachinelearning[J].NatMed,2020,26(3):364-373.8TomaševN,GlorotX,RaeJW,etal.Aclinicallyapplicableapproachtocontinuouspredictionoffutureacutekidneyinjury[J].Nature,2019,572(7767):116-119.9LeeKH,YoonD,LimH,etal.Deeplearningmodelsforacutekidneyinjuryprediction:multi-centerexternalvalidationandevaluationundersimulatedcontinuousmonitoringconditions[J].NPJDigitMed,2026,9(1):544.10FleurenLM,KlauschT,ZwagerCL,etal.Machinelearningforthepredictionofsepsis:asystematicreviewandmeta-analysisofdiagnostictestaccuracy[J].IntensiveCareMed,2020,46(3):383-400.11ZubairM,DinI,SarwarN,etal.Revolutionizingsepsisdiagnosisusingmachinelearninganddeeplearningmodels:asystematicliteraturereview[J].BMCInfectDis,2025,25(1):1396.12WongA,OtlesE,DonnellyJP,etal.Externalvalidationofawidelyimplementedproprietarysepsispredictionmodelinhospitalizedpatients[J].JAMAInternMed,2021,181(8):1065-1070.13RubulottaF,BahramiS,MarshallDC,etal.Machinelearningtoolsforacuterespiratorydistresssyndromedetectionandprediction[J].CritCareMed,2024,52(11):1768-1780.14LevyE,ClaarD,CoI,etal.Developmentandexternalvalidationofadetectionmodeltoretrospectivelyidentifypatientswithacuterespiratorydistresssyndrome[J].CritCareMed,2025,53(6):e1224-e1234.15WilsonFP,MartinM,YamamotoY,etal.Electronichealthrecordalertsforacutekidneyinjury:multicenter,randomizedclinicaltrial[J].BMJ,2021,372:m4786.16LiT,WuB,LiL,etal.Automatedelectronicalertforthecareandoutcomesofadultswithacutekidneyinjury:arandomizedclinicaltrial[J].JAMANetwOpen,2024,7(1):e2351710.17SingerM,DeutschmanCS,SeymourCW,etal.Thethirdinternationalconsensusdefinitionsforsepsisandsepticshock(sepsis-3)[J].JAMA,2016,315(8):801-810.18KhwajaA.KDIGOclinicalpracticeguidelinesforacutekidneyinjury[J].NephronClinPract,2012,120(4):c179-c184.19MatthayMA,ArabiY,ArroligaAC,etal.Anewglobaldefinitionofacuterespiratorydistresssyndrome[J].AmJRespirCritCareMed,2024,209(1):37-47.20GrasselliG,CalfeeCS,CamporotaL,etal.ESICMguidelinesonacuterespiratorydistresssyndrome:definition,phenotypingandrespiratorysupportstrategies[J].IntensiveCareMed,2023,49(7):727-759.21ChenHB,XuAM,QiuHB,etal.Single-cellsequencingredefinesimmuneheterogeneityandcommunicationnetworksinARDS:towardprecisiontherapeutics[J].IntJGenomics,2025,2025:9902676.22vanAmstelR,KennedyJN,SciclunaBP,etal.Uncoveringheterogeneityinsepsis:acomparativeanalysisofsubphenotypes[J].IntensiveCareMed,2023,49(11):1360-1369.23SinhaP,KerchbergerVE,WillmoreA,etal.Identifyingmolecularphenotypesinsepsis:ananalysisoftwoprospectiveobservationalcohortsandsecondaryanalysisoftworandomisedcontrolledtrials[J].LancetRespirMed,2023,11(11):965-974.24ChenowethJG,ColantuoniC,StriegelDA,etal.GeneexpressionsignaturesinbloodfromaWestAfricansepsiscohortdefinehostresponsephenotypes[J].NatCommun,2024,15(1):4606.25BhavaniSV,SpicerA,SinhaP,etal.Distinctimmuneprofilesandclinicaloutcomesinsepsissubphenotypesbasedontemperaturetrajectories[J].IntensiveCareMed,2024,50(12):2094-2104.26AntcliffeDB,PeronnetE,PèneF,etal.Aninternationalobservationalstudyvalidatinggene-expressionsepsisimmunesubgroups[J].CritCare,2025,29(1):98.27YoonCH,SjöholmD,WickstrømKE,etal.Multicentervalidationofclinicalsepsisphenotypes[J].JAMANetworkOpen,2026,9(6):e2616134.28CajanderS,KoxM,SciclunaBP,etal.Profilingthedysregulatedimmuneresponseinsepsis:overcomingchallengestoachievethegoalofprecisionmedicine[J].LancetRespirMed,2024,12(4):305-322.29AntcliffeDB,BurrellA,BoyleAJ,etal.Sepsissubphenotypes,theragnosticsandpersonalizedsepsiscare[J].IntensiveCareMed,2025,51(4):756-768.30SlimMA,vanAmstelR,BosL,etal.InflammatorysubphenotypespreviouslyidentifiedinARDSareassociatedwithmortalityatintensivecareunitdischarge:asecondaryanalysisofaprospectiveobservationalstudy[J].CritCare,2024,28(1):151.31BlotPL,ChoustermanBG,SantafèM,etal.Subphenotypesinpatientswithacuterespiratorydistresssyndrometreatedwithhigh-flowoxygen[J].CritCare,2023,27(1):419.32FossetM,vonWedelD,RedaelliS,etal.Subphenotypingpronepositionresponderswithmachinelearning[J].CritCare,2025,29(1):116.33PensierJ,FossetM,PascholdBS,etal.Temporalstabilityofphenotypesofacuterespiratorydistresssyndrome:clinicalimplicationsforearlycorticosteroidtherapyandmortality[J].IntensiveCareMed,2025,51(10):1784-1796.34vanAmstelR,BartekB,VlaarA,etal.Temporaltransitionsofthehyperinflammatoryandhypoinflammatoryphenotypesincriticalillness[J].AmJRespirCritCareMed,2025,211(3):347-356.35ReddyK,SinhaP,O'KaneCM,etal.Subphenotypesincriticalcare:translationintoclinicalpractice[J].LancetRespirMed,2020,8(6):631-643.36FilesDC,MatthayMA,ChappleAG,etal.Biologicalsubphenotypesinsevereacutehypoxaemicrespiratoryfailureandacuterespiratorydistresssyndromeusingrapidprospectiveclassification(SPARC)intheUSA:amulticentre,observational,study[J].LancetRespirMed,2026,14(7):601-608.37BhatrajuPK,PrinceDK,MansourS,etal.Integratedanalysisofblo

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论