目的 本团队前期开发了在急诊分诊时对患者24 h内脓毒症风险进行预警的人工智能算法，本研究为研究医生群体对算法所提示预警风险的反应方式，从而设计恰当的医生-算法协作方法，以进一步提升脓毒症风险识别能力。方法本研究从公开医学数据库MIMIC-Ⅳ（重症监护医学信息数据库）中，按照案例的典型性挑选40个急诊脓毒症预警案例用于协作研究测试，并按照模型对其评判结果的确信程度进行分类。邀请国内58家医院的165名急诊科医生参与测试，并按职称分为3类。同时按照算法结果提供的信息量与其阅读成本，设计了4种不同的协作模式。测试时，在机器学习模型提供评判结果以及由协作模式决定的解释性信息前后，医生对案例的脓毒症风险进行评判并记录确信度。结果 分析147名医生进行的4704次有效评判，发现不同协作模式对医生对脓毒症风险的识别未造成明显差异。对于模型确信程度高的案例，在模型提供其评判后，急诊医生群体的评判正确率提升2.6%±0.6%（P=0.02），医生对正确结果的确信度升高；而对于模型确信程度低的案例，急诊医生群体的评判正确率降低2.6%±1.4%（P=0.06），医生对正确结果的确信度也降低。结论 协作效果主要受到模型对自身评估的确信程度影响，不同的协作模式并未产生显著差异，模型确信程度相同时各职称医生的协作效果基本一致。协作方案设计建议如下 ：当模型对患者脓毒症风险的评估确信程度较低时，不应直接呈现算法评估结果 ；当模型确信程度较高时，可将其评估结果提供给急诊医生作为参考；对于急诊分诊脓毒症预警场景，算法不需要提供额外的解释性信息。

谢敬原, 李直懋, 高键东, 刘业成, 朱华栋, 吴及. 急诊分诊脓毒症预警系统的人机协作研究[J]. 中华急诊医学杂志, 2025,34(5): 641-647.
DOI号: 10.3760/cma.j.issn.1671-0282.2025.05.006

基金项目： 国家重点研发计划（2021YFC2500803）；中国医学科学院医学与健康科技创新工程项目（2021-I2M-1-056）

关键词： 脓毒症 机器学习 急诊 人机协作