收益：
- 能够在人工智能的支持下，根据物种/种族参考范围对血象、生物化学和尿液分析结果进行总结和优先排序
- 能够通过参考范围、样本质量和临床图片交叉验证人工智能解释
- 能够理解参考范围因设备和类型而异，人工智能不会产生数字，最终决定权在于医生。
实验室是一个将无形的东西转化为数字的解释器。血常规检查（全血细胞计数；血细胞的数量和比例）、生化检查（显示器官功能的血液检查）或尿液分析可能会发现检查无法检测到的肾衰竭、感染或代谢性疾病。但仅凭实验室结果并不能做出诊断；是一块拼图。人工智能 (AI) 可以快速帮助您组织这些内容、突出显示超出参考值并总结趋势。但这里有一个关键规则：参考范围因物种、品种、年龄和设备而异。如果人工智能假设一个一般范围，它就会产生错误的解释。在本单元中，您将学习如何使用人工智能安全地总结和优先考虑实验室结果。医生看到临床表现后将结果转化为诊断。
参考范围：一切事物的背景
一个值是“高”还是“低”取决于从哪个参考范围来看它。这些范围在猫和狗、小猫和老年人中是不同的，甚至在不同的分析仪设备中也是不同的。例如，灵缇犬的正常血细胞比容值高于其他犬种；相对于一般范围，它显得“高”，但对于该品种来说是正常的。在向 AI 解释值时，请务必给出您所使用的设备的参考范围和类型。否则，人工智能可能会根据从互联网上学到的平均范围贴上错误的“异常”标签。
注意：AI 本身并不执行数值分析；它编辑您提供的数字和参考范围。如果要求“计算”一个值，它可能会出错。仅将人工智能用作总结、优先级排序和组织工具。
样本质量：垃圾进、垃圾出
实验室结果的可靠性取决于样品质量。溶血（红细胞分解）会错误地增加钾和某些酶的值；脂血症（血液中过多的脂肪）会扰乱某些测量；凝块表明血小板计数低；错误的存储会改变值。 AI 不知道这些分析前的错误；它按原样处理放在其前面的数字。因此，医生应在解释结果之前评估样本质量。
一步一步：AI 实验室总结
- 收集上下文。物种、种族、年龄、性别、临床主诉。
- 添加设备参考。对于每个参数，给出设备自己的参考范围。
- 检查样品质量。是否有溶血、脂血症、血栓？
- 突出显示非参考值。只需要求 AI 标记异常即可。
- 与临床表现相符。连同检查和投诉一起阅读数值。
- 观察趋势。与之前的结果进行比较并确定方向。
- 医生做出解读。诊断和治疗决定属于医生。
三个迷你箱子
病例 1. 一只 14 岁、3.8 kg 的猫，肌酐 3.4 mg/dL（设备参考值 0.8–2.4），尿素 78 mg/dL（参考值 16–36），SDMA 高。 AI将这三个值突出显示为“以上参考，可能与肾功能有关”，并与之前的值制作了趋势图。医生评估尿液密度和临床表现并自行进行分期。 AI编辑；医生评论道。
病例2、狗体内钾含量达到7.1mmol/L，AI标记为“重度高钾血症”。医生注意到样本中有明显的溶血现象；再次取样，值为4.6mmol/L（正常）。 AI只看数字；医生发现了分析前的错误。
案例3.灵缇犬的血细胞比容为58%；他说，相对于一般的犬类参考，人工智能是“高”的。医生记住了特定种族的参考值并将其评估为正常值。这个案例表明，如果不提及设备和种族，人工智能将会产生误导。
对比图
输入
AI的输出
风险
未给出设备参考
按总体范围发表评论
假异常/正常
未指定物种/品种
均值类型假设
贴错标签
样品质量未知
按原样处理数字
分析前错误仍然隐藏
未给出临床图片
孤立数解释
没有上下文，容易产生误导
四个可复制模板
角色：实验室总结助理（你不诊断，你编辑）。背景：物种[...]、种族[...]、年龄[...]、投诉[...]。任务：根据我提供的仪器参考范围排列以下结果；仅标记和分组非参考值（例如肾脏、肝脏、电解质）。使用“可能”的语言进行评论。结果（值+参考）：[...]
任务：根据以下不同日期结果（增加/减少/稳定）创建[参数]值的趋势表和方向摘要。进行临床解释和诊断。仅数字趋势。结果：[...]
任务：在此结果集中，标记引起怀疑分析前错误的值（溶血、脂血症、凝块、饥饿）并写入“必须确认样品质量”。结果：[...]
任务：将以下异常值与临床发现相匹配，并用“可能”语言列出它们支持的鉴别诊断。明确的证言；医生会通过检查和检查做出决定。价值观+发现：[...]
弱提示/强提示
弱者：“解释一下这些血液结果，病人是什么？”
Strong：“13岁，绝育母猫，抱怨体重减轻。根据我给出的仪器参考值排列以下值，仅对那些不是参考值的值进行分组，如果样本质量有疑问，则进行标记。不要做出明确的诊断；我将根据临床表现进行解释。肌酐3.4（0.8–2.4），T4 6.8（0.8–4.0）......”
强有力的提示给出了类型、参考范围和限值；人工智能的作用仅限于监管。
常见错误
- 不提供设备参考。 AI 根据一般范围错误地进行标记。
- 省略物种/种族背景。品种变异，例如灰狗血细胞比容逃逸。
- 忽略样本质量。溶血/血脂值显示虚假。
- 将诊断归因于孤立的数字。该值随着临床情况而变得有意义。
- 让人工智能“计算”数字。 AI计算出错；他组织，你计算。
恐慌情绪及时干预
有些实验室数值非常重要，一旦发现就需要立即干预；这些被称为恐慌值（临界值）。例如，钾含量过高（高钾血症）会扰乱心律并导致猝死；血糖过低（低血糖）会导致癫痫发作和昏迷；严重的高钙血症或血细胞比容非常低需要立即评估。在总结结果集时，AI可以突出显示此类值并将其标记为“紧急关注”；这是一个有用的提醒，可以避免错过忙碌的一天。
然而，这里有两个陷阱。首先，恐慌值可能并不总是真实的：分析前的错误（溶血、错误的管子、延迟处理）可能会产生虚假的临界值；因此，医生必须通过样本质量和临床表现快速确认该值。其次，人工智能认为某个值“在正常范围内”并不意味着该患者不紧急；有些患者即使实验室值正常，也可能会迅速恶化，因为图像尚未反映在血液中。因此，恐慌值不是行动号召，正常值也不是保证。当面对关键结果时，决策链始终是相同的：验证样本质量，与临床情况相匹配，必要时重复并作为医生管理干预措施。人工智能提高速度；决定权重在于医生。
总之
实验室结果不是诊断，而是线索。人工智能能够快速组织这些线索，突出显示偏离参考和趋势跟踪；但参考范围因物种、品种和设备而异，必须给出。医生评估样本质量；分析前的错误是人工智能看不到的陷阱。结合临床图片读取数值。将结果转化为诊断并承担责任的是医生。
应用任务
获取您最近的三个实验室结果。让人工智能通过给出每个设备的参考范围和类型来组织它。然后：(1) 验证 AI 标记的异常对于该类型/设备是否确实异常，(2) 查找样本中是否存在分析前错误的嫌疑，(3) 一位慢性病患者的趋势图并解释方向。将评论与临床情况相匹配。
清单
- [ ] 我给出了物种、种族、年龄和主诉。
- [ ] 我输入了每个参数的设备参考范围。
- [ ] 我检查了样本质量（溶血、脂血症、凝块）。
- [ ] 我没有让AI计算数字，我只是排列它们。
- [ ] 我将这些值与临床情况进行了匹配。
- [ ] 我将趋势与之前的结果进行了比较。
- [ ] 作为医生，我做出了最终的解释和诊断。