一种人工智能（AI）模型通过将谵妄的检测和治疗率提高四倍来改善住院患者的治疗结果。该模型识别出高风险谵妄的患者，并提醒专门训练的团队评估患者并制定治疗计划（如有必要）。
该模型由西奈山医学院的研究人员开发，并已融入医院运营中，帮助医疗提供者识别和管理谵妄，这是一种可能影响多达三分之一住院患者的病症。
这项研究是首个表明AI驱动的谵妄风险评估模型不仅在实验室环境中表现良好，而且在临床实践中也能提供切实好处的研究，发表在2025年5月7日的《JAMA Network Open》在线期刊上。
谵妄是一种突然且严重的意识混乱状态，带有生命威胁风险，且在住院患者中往往未被检测到。如果不进行治疗，它可能会延长住院时间，提高死亡风险，并恶化长期结果。迄今为止，AI驱动的谵妄预测模型在证明能显著改善患者护理方面面临困难，研究人员表示。
“我们在西奈山进行这项研究的动机是明确的。目前基于AI的谵妄预测模型尚未显示出对患者护理的实际好处，”高级通讯作者约瑟夫·弗里德曼医生表示，他是西奈山健康系统谵妄服务的创始人和主任，也是西奈山医学院精神病学和神经科学教授。“我们想通过创建一个能实时准确计算谵妄风险并顺利融入临床工作流程的模型来改变这一现状，帮助医院人员发现和治疗更多可能被忽视的谵妄患者。”
研究团队没有孤立地构建AI模型并在医院中测试，而是从一开始就与西奈山的临床医生和医院工作人员密切合作。这种“纵向整合”方法使他们能够实时调整模型，确保其在临床使用中的有效性和实用性。
在西奈山部署后，该AI模型显著改善了谵妄检测，结果如下：
• 识别病例增加了400％，而筛查患者的时间没有增加
• 通过减少对老年人使用可能不当药物来实现更安全的处方
• 在真实世界的医院环境中表现出强大而可靠的性能
在这项涉及超过32,000名患者的研究中，研究者使用AI模型分析了来自纽约市西奈山医院的结构化数据和临床医生的电子健康档案记录笔记组合。它使用机器学习识别与高风险谵妄相关的记录数据模式，并应用自然语言处理，从医院工作人员的记录语言中识别模式。这种方法捕捉到了工作人员对谵妄或高风险患者微妙意识状态变化的观察。个别工作人员在写笔记时可能并不知道他们的临床观察正在帮助提高AI模型的准确性。
值得注意的是，该模型在一个拥有广泛医务和外科条件的高度多样化患者群体中进行了测试，远远超出了通常纳入机器学习谵妄风险预测模型研究的狭窄群体。
该工具显著改善了每月谵妄检测率，从4.4％提高到17.2％，允许更早的干预。被识别的患者也接受了较低剂量的镇静药物，可能减少副作用并改善整体护理。
“我们的模型并不是要取代医生——而是为他们提供一个强大的工具来简化工作，”弗里德曼医生表示。“通过分析大量患者数据的繁重工作，我们的机器学习方法使医疗提供者能够更有效、更精确地专注于诊断和治疗患者。”
虽然AI模型在西奈山医院取得了显著成果，并且在其他西奈山地点的测试正在进行中，但在其他医院系统中进行验证以评估其在不同环境中的表现以及必要时进行调整是必要的。
“这项研究展示了我们通过在医院运营中构建AI驱动的临床决策支持所实现的质的飞跃。我们通过在正确的时间将合适的团队带到合适的患者身边来提高患者安全和治疗结果，从而为患者提供量身定制的专业护理，”研究共同作者、西奈山健康系统首席临床官、大西奈医院院长大卫·L·莱希医生表示。“要成为一个学习型健康系统，我们必须继续这一开发、测试、部署和微调AI工具的道路，这些工具与医疗工作流程无缝集成。此前，我们发现AI临床决策支持可以帮助解决营养不良和临床恶化的问题，而西奈山使用实时AI警报来预测健康下降，加速治疗并减少医院死亡率。”
