收益：
- 能够定义人工智能在信息组织和分类过程中的清单中的作用，以及紧急类别的逻辑
- 能够构建患者投诉和调查结果，并生成标记危险信号（紧急警告）症状的草稿
- 能够理解最终的分诊类别和紧急决定是由有能力的医疗人员评估做出的，并且人工智能不承担该决定。
所有同一时间到达急诊室的患者不能同时接受治疗。确定首先就诊的人可以挽救生命：在候诊室等候时，心脏病发作并伴有胸痛可能会被忽视。分诊是根据入院患者的紧急程度对其进行分类和优先级的任务。这项工作必须快速、准确和一致。人工智能可以协助分诊过程：它构建患者投诉，提醒要问的问题，用清单突出危险信号。但最关键的限制也适用于此：分诊类别和紧急决定是临床评估；有能力的医护人员通过查看和检查患者来做出最终决定。 AI 不承担此决定。
分类类别和逻辑
分诊系统通常根据患者的紧急程度将患者分为几类，例如“需要立即关注”、“非常紧急”、“紧急”、“不太紧急”、“不紧急”等。常见系统使用五级量表。每个类别都有一个等待时间目标和优先级。逻辑是这样的：首先看到风险最高的患者；当资源有限时，就会制定能够提供最大利益的订单。
分诊是快速初步评估，而不是全面诊断。目的是对“该患者有多紧急”这个问题给出安全的答案，而不是“该患者有什么病？”在此过程中，人工智能可以整理信息并提醒您危险信号；然而，观察和衡量患者的肤色、出汗、烦躁和言语变化是主管人员的工作。
注意：向人工智能提出投诉和调查结果，说“告诉我分类类别”并应用结果是危险的。人工智能无法看到或检查患者，并且可能会错过罕见但致命的情况。最终类别始终由检查和临床评估决定。
危险信号
红旗是一个警告信号，意思是“这种症状可能是严重和紧急情况的征兆；停止并评估。”例如出汗、气短伴胸痛、突然剧烈头痛、意识改变、活动性严重出血等。人工智能有助于提醒您投诉列表中已知的危险信号——它是一个安全网。但人工智能的清单可能并不完整；如果人工智能没有看到红旗，那并不意味着“没有危险”。临床怀疑总是先于人工智能沉默。
三个迷你箱子
案例 1 — 非典型心脏病发作。一位老年女病人进来说：“我肚子疼，身体很虚弱。”在发出投诉时，人工智能提醒我们注意“老年女性可能有非典型心脏病发作症状”的危险信号。有了这个提醒，分诊护士就会提前做心电图，及早发现情况严重。人工智能引起关注；护士做出了决定。
案例2——看似平静的假象。一名年轻患者看上去很平静，但描述了突然剧烈的头痛。人工智能的输出中没有明确强调这一点。护士凭借她的临床知识将此视为高度紧迫的事情。教训：临床判断捕捉到了人工智能无法捕捉到的发现； AI 的沉默并不能保证。
案例 3 — 一致的文档。在忙碌的夜晚，分诊护士通过人工智能快速将每个患者的投诉和检查结果转化为结构化的记录；这样，转移和注册是一致的。类别自己决定，AI只是编辑等级。速度和一致性都得到了提高。
一步一步：利用 AI 进行分类支持
- 匿名投诉。主要投诉、持续时间、随附调查结果。
- 提醒我有关问题集的信息。让人工智能列出遗漏的关键问题。
- 标记危险信号。让人工智能突出显示已知的危险信号。
- 查看并检查患者。生命体、外观、一般状况。
- 通过临床评价确定类别。 AI的文本不是决定。
- 记录决定及其理由。
四个可复制模板
任务：构建以下（匿名）患者主诉：主诉、持续时间、伴随症状、相关病史。建议类别；只需编辑信息即可。投诉：[...]
任务：创建一份关键问题清单（包括危险信号筛选问题），在针对该投诉进行分类时应提出这些问题。决策;标记可能未完整提出的问题。投诉：[...]
任务：列出以下发现中已知的危险信号症状，并为每个症状做出“必须考虑”的注释。请注意，该列表可能并不完整，临床判断至关重要。调查结果：[...]
任务：将这份分类记录翻译成连贯且客观的草稿记录。添加评论和类别；只是组织观察和发现。注意：[...]
弱提示/强提示
弱：“该患者属于哪个分诊类别？”
Strong：“构建以下匿名投诉，并回顾与此投诉相关的已知危险信号症状作为检查表。不要建议分类类别；我将通过检查患者来确定最终类别。请注意，该列表可能不完整，我的临床怀疑将放在第一位。”
在强大的提示中，AI担负着“配置提醒”的任务；未给出“确定类别”任务。
常见错误
- 将类别交给AI。紧急决定需要检查和临床评估。
- 以为AI没看到就没有危险。危险信号列表可能不完整。
- 跳过考试。文字不能代替看望病人。
- 低估非典型症状。老年人、糖尿病患者和女性患者的症状可能有所不同。
- 牺牲对文本的临床怀疑。如果有疑问，请增加紧迫性。
重新评估：分诊不是一次性的
分诊过程中最容易被遗忘的事实是：患者的病情在等待期间可能会发生变化。在初步评估中被置于“不太紧急”类别的患者在休息室等候时可能会迅速恶化。这就是为什么良好的分类不是一次性的标签，而是一个需要重新评估的实时过程。等待患者应定期再次观察，如有变化应更新类别。人工智能可以通过随访列表来帮助提醒哪些患者已经等待了多长时间以及何时需要重新评估。但仍需依靠护士的观察来了解病人是否真的病情恶化。
这一点强化了“人工智能不决定类别”的原则：类别无论如何都不是一个固定的事实，而是根据患者当前情况而变化的判断。依赖固定文本的AI无法感知这种变化。
电话和远程分诊时要格外小心
在某些情况下，分诊是通过电话或远程完成的，而不是面对面的。这里的风险更大，因为你看不到病人的肤色、汗液和整体外观；你只需要相信所说的话。人工智能在这种环境下很有用，可以提醒你要问的问题和危险信号筛查；它可以帮助您不留下任何遗漏的问题。然而，缺乏目视和体格检查迫使远程分诊本质上更加谨慎：如果有疑问，可以安全地将患者转至更高紧急程度并将其转介至面对面评估。人工智能可能会提醒你这种谨慎的做法，但最终的指导决定仍然取决于有能力的人员。在偏远情况下，“人工智能没有看到危险”绝不意味着“安全”。
提示：在分诊中使用人工智能最安全的方法不是“做出决定”，而是“防止忘记”。在繁忙的轮班期间，即使是最有经验的护士也可能会错过一个问题或错过一个危险信号。当你将人工智能定位为一个清单，提醒你要问的关键问题和已知的危险信号时，你在做出决定时就获得了安全网。这种区别至关重要：如果你问“人工智能属于哪个类别”，你就会陷入困境；如果你问“人工智能属于哪一类”，你就会陷入困境。如果您问“我应该在该投诉中寻找哪些危险信号？”你会加强自己的判断力。后者是一种既安全又可以提高你的专业判断力的习惯。
综上所述
在分类过程中，人工智能会构建投诉、回忆关键问题和危险信号，并保持文档的一致性。它是一个安全网和速度工具。但分诊类别和紧急程度的决定是临床评估；有能力的医疗人员会查看和检查患者并做出最终决定。 AI的沉默并不意味着没有危险；临床怀疑永远是第一位的。
应用任务
收到急诊科（匿名）的患者投诉。使用 AI 进行配置并提取相关的危险信号清单。然后：（1）识别人工智能遗漏或低估的发现，（2）根据自己的临床判断确定类别并写出理由，（3）在一段中解释为什么人工智能不应该做出类别决定。
清单
- [ ] 我在没有身份的情况下配置了投诉。
- [ ] 我检查了关键问题集。
- [ ] 我检查了危险信号，但我认为这是不对的。
- [ ] 我见到了病人并对他进行了检查。
- [ ] 我通过临床评估确定了类别。
- [ ] 我记录了该决定及其理由。
- [ ]我并没有因为人工智能的文本而牺牲我的临床怀疑。