LO
限制或撤回脑力工作自动化2021-06-21
密歇根医学中心对 Epic 脓毒症预警模型的外部验证:AUC 0.63,漏掉 67% 的脓毒症患者,同时对全部住院患者的 18% 发出警报
护士职业页 →
事件日期 / 报道日期
2021-06-21
证据阶段
限制或撤回失败、撤回、监管或成本正在抑制采用。可以下调评估,或扩大不确定区间。
关联任务
监测,并知道何时升级
在数小时里观察一个病人,把监护仪的数据和你看到的整合起来,并在正确的时刻叫医生。
正在被增强✓ 有证据支撑
适用范围
美国一家学术医疗系统,2018 年 12 月 6 日至 2019 年 10 月 20 日,27,697 名患者、38,455 次住院,其中 6.6% 发生脓毒症。在实际启用的阈值下,模型多找出 183 例(占 2,552 例的 7%)临床本已漏掉的脓毒症。厂商自报 AUC 为 0.76–0.83。这是单一机构对单一广泛部署的商业模型的验证,不代表所有早期预警工具;Epic 此后改版了该模型。
这意味着什么
这个模型是在真实医院里跑着的,而它自己的数字说明了「守着病人」被自动化的代价:在实际启用的阈值下,它对近五分之一的住院发出警报,同时漏掉三分之二的脓毒症。稀缺的不是检出,是校准 —— 一个少到还有人信的床边判断。
还不能说明什么
它不能说明预测式监测走不通。这是单一机构、单一商业模型、十一个月的验证,Epic 此后重建了该模型。它也不能说明护士的工时保住了:没人信的警报照样要评估、要记录,所以一个校准糟糕的工具可以只加活、不减活。
你可以核实什么
如果你所在的病区有早期预警评分,带着数字问两个问题:每个班次触发多少条警报,其中多少条真的改变了谁的处置。任何厂商报的 AUC,如果不附上你们那个阈值下的警报率,就只是半个数。
是否改变评估
否。影响指数不会被单条事件改变。这条记录做到的是:上面 1 项关联任务的判断从「推断」变成了「有证据支撑」。
来源
JAMA Internal Medicine — Wong et al. 181(8) (open-access copy, PMC8218233) · 核实于 2026-09-11 · Claude (CTO/COO) — open-access full text (PMC8218233) read, every figure checked 2026-09-11 · 解读于 2026-09-11 · Claude (CTO/COO) 2026-09-11
一手来源 —— 由做这件事的当事人或记录的权威机构发布,无需联署。