编辑推荐：
急诊室面临患者涌入多样、医护资源紧张及传统分诊系统易出现过度 / 不足分诊等问题。研究人员利用 AI 驱动的 NLP 算法分析医患对话，对患者严重程度自动分类。结果显示 SVM 性能最佳（AUROC=0.764），该研究为缓解急诊拥挤等提供新方向。
在急诊医学领域，快速精准的患者严重程度分诊是挽救生命的关键。然而，韩国急诊部门正面临着患者流量激增与医护资源不足的双重挑战，传统的韩国分诊 acuity 量表（KTAS）虽已应用，但依赖人工评估易出现过度分诊（高估病情）或不足分诊（低估危急情况），导致资源错配和救治延误。此外，急诊对话中常包含患者混乱表述、多人间断交流等非结构化数据，传统方法难以有效利用这些信息。在此背景下，开展基于真实急诊对话的自动化分诊研究，对提升急救效率、优化资源分配具有重要现实意义。
韩国嘉泉大学（Gachon University）与高丽大学（Korea University）的研究团队合作，针对急诊室中医护人员与患者的床边对话展开研究，旨在通过人工智能（AI）和自然语言处理（NLP）技术，开发一种基于对话内容的患者严重程度自动分类系统。该研究成果发表在《Scientific Reports》上，为急诊分诊的智能化提供了新的技术路径。
研究人员收集了韩国高丽大学三家附属医院急诊室 2022 年 6 月至 12 月期间的 1048 份分诊阶段医患及家属对话转录文本，数据覆盖 KTAS 3（严重）、4 和 5（轻微）等级别。研究采用两类 AI 算法：一类是基于词频 - 逆文档频率（TF-IDF）的传统机器学习模型，包括支持向量机（SVM）、逻辑回归（LR）、随机森林（RF）和极端梯度提升（XGB）；另一类是神经网络模型，如多层感知机（MLP）、双向长短期记忆网络（BiLSTM）和卷积神经网络（CNN）。通过十折交叉验证评估模型性能，以受试者工作特征曲线下面积（AUROC）为核心指标。
模型性能比较
在传统机器学习模型中，支持向量机（SVM）表现最佳，AUROC 为 0.764（95% CI 0.019），逻辑回归（LR）紧随其后（AUROC=0.763）。神经网络模型中，多层感知机（MLP）的 AUROC 为 0.759，略高于双向长短期记忆网络（BiLSTM，AUROC=0.741）和卷积神经网络（CNN，AUROC=0.735）。尽管传统模型在 AUROC 上略占优势，但神经网络模型在召回率和精确率的平衡上表现更优，如 MLP 的精确率达 0.826，显示出对复杂对话语境的更强捕捉能力。
真实数据的挑战与创新
与既往基于模拟对话或结构化数据的研究不同，本研究首次利用真实急诊场景中的多人间断对话数据，包含患者因情绪紧张导致的混乱表述、家属补充信息的打断等 “噪音”。研究发现，TF-IDF 能有效提取与病情相关的关键词（如疼痛程度、症状持续时间），而神经网络模型通过捕捉对话序列中的上下文依赖（如 BiLSTM 的双向处理），可更好理解复杂语义关系。尽管模型性能受限于样本量（1048 例）和数据不平衡（KTAS 3 占 753 例），但证实了真实对话数据用于分诊的可行性。
与现有研究的差异化
对比韩国 Choi 等人基于分诊记录的 NLP 研究和 Lee 等人的模拟对话实验，本研究的独特价值在于：①数据来源于真实急诊现场，涵盖医患及家属的多方互动；②首次在韩国急诊环境中验证对话文本的独立分诊价值，为后续融合生命体征等多模态数据奠定基础；③发现传统机器学习与神经网络模型在不同维度的优势，为算法选择提供实证依据。
研究结论表明，基于急诊对话的 AI 分诊系统可辅助医护人员快速识别严重患者，缓解急诊拥挤并缩短等待时间。尽管当前模型性能（AUROC 0.711-0.764）受限于数据复杂性，但为引入大型语言模型（LLMs）和多模态融合提供了前期验证。未来研究方向包括：①扩大样本量并纳入 KTAS 1-2 级患者；②结合 SHAP 值等可解释 AI（XAI）技术，解析关键对话特征；③开发韩语医学专用 LLM，提升对复杂句式和方言的处理能力。
该研究突破了传统依赖结构化数据的分诊模式，证明非结构化对话蕴含丰富临床信息，为急诊医学与 AI 的交叉应用开辟了新路径。其成果不仅有助于优化韩国急诊资源分配，也为全球急诊 AI 分诊研究提供了真实世界数据范式，尤其对语言结构复杂的语种（如汉语、日语）具有方法学借鉴意义。通过持续优化算法和扩展数据维度，AI 驱动的对话分析有望成为未来急诊智能分诊的核心工具之一。
