急诊科再访质量审查筛查：探索人类决策与人工智能支持

背景：急诊科（ED）再访通常会接受质量保证审查，但为提高可采取行动的发现比例并尽量减轻病历审查负担，审查范围往往受到限制（例如仅限于48–72小时内的再访）。这些限制可能导致错失质量改进机会。方法：我们对一个拥有多家医院的医疗系统开展了一项探索性回顾性研究，随机选取在1–14天内再次到同一医疗系统就诊的ED就诊记录。仅根据每次就诊的主要诊断，评审者（2–3名临床医生和GPT-4大型语言模型[LLM]）评估诊断对的特征，包括“目标”：判断一对诊断是否值得进一步评估。在分析评审者回答的基础上，我们创建并初步评估了一种利用由LLM填充的知识图谱（“KGA”）的算法，用于自动筛查可能令人担忧的诊断对。结果：共纳入99个诊断对。GPT-4的回答与临床医生评审者的判断相关性较差，将近乎所有（94%）诊断对评为需要后续跟进，这一比例是临床医生评审者的4.4–13.3倍。然而，提示工程程度有限。在临床医生评审者中，再访的医疗严重程度始终与该目标显著相关；而鉴别诊断/并发症综合指标在未经校正的分析中具有显著相关性，但在校正后的分析中则不显著（尽管后者的统计效能较低）。对于至少一名临床医生评审者根据诊断对判定需要进一步评估的情况，KGA达到了83%–100%的阳性预测值。结论：这些结果可为利用ChatGPT等LLM改进筛查的后续工作提供参考。仍需开展进一步研究，以验证这一初步研究的发现：KGA可能有助于扩大筛查范围并提高筛查产出，同时不会显著增加评审者的工作负担。