《Frontiers in Digital Health》：Artificial intelligence in transitional care: practice, promise, and pitfalls—a scoping review
编辑推荐：
本综述系统回顾了人工智能（AI）在过渡期护理（TC）领域的应用，归纳了AI工具在改善出院计划、随访护理、系统互操作性等方面的核心作用，并指出其在促进护理连续性、复杂性管理等方面的潜力。文章也探讨了AI应用面临的挑战（如算法偏见、数据隐私）及未来研究方向，为AI赋能TC提供了全面视角。
引言
过渡期护理（TC）是医疗保健服务的关键组成部分，旨在确保患者在不同护理层级或机构之间转移时的安全性和及时性，保障护理的连续性。对于慢性病患者和多重疾病患者而言，护理过渡尤为重要，但这一过程常常面临护理碎片化、协调不足和沟通不畅等挑战，可能导致药物错误、再住院甚至死亡等不良后果。为应对这些挑战，各种过渡期护理模式、程序和干预措施应运而生。近年来，人工智能（AI）技术的快速发展为优化过渡期护理提供了新的机遇。本综述旨在系统梳理当前应用于TC的AI工具，分析其使用方式、对综合TC模型的促进作用以及相关的实施 outcomes。
方法
本研究采用范围综述的方法，遵循Arksey和O'Malley的框架。系统检索了Web of Science、PubMed/MEDLINE和IEEE Xplore三个数据库，时间范围为2013年至2025年。最终纳入21项研究进行数据分析。数据提取主要围绕四个方面：研究特征、AI工具及其在TC中的应用、AI工具对综合TC模型八项组件的促进情况，以及使用AI工具后报告的 outcomes。AI工具的应用被归纳为四个主要类别：出院/随访、分诊/预测护理模式、互操作性/系统导航以及语言翻译。同时，将AI工具的功能映射到Naylor等人提出的综合TC模型的八个组件上，包括患者参与、照顾者参与、复杂性管理、护理连续性、患者教育、照顾者教育、患者及照顾者福祉以及问责制。
结果
AI在过渡期护理中的应用分类
分析显示，AI工具在TC中的应用主要集中在四大类别。大多数工具（16项）涉及系统导航或互操作性，旨在促进不同技术设备间的协同工作。例如，Viz.ai平台利用深度学习算法自动检测CT血管造影中的大血管闭塞（LVO），并通过智能手机向卒中团队发送实时警报，加速临床响应和患者转诊。此外，结合了HEALTHeLINK（护理过渡警报）、ePCAM（临床决策支持）和COMPLEXedex（临床算法）的AI工具，能为出院后需要护理管理的患者提供警报，从而避免再住院。另有15项研究中的AI工具用于出院和随访解决方案，如基于AI的临床决策支持系统用于降低非计划性再住院率，或机器学习（ML）算法预测择期脊柱手术后非常规出院的风险。语言翻译（通常表现为自然语言处理，NLP）方面的应用出现在11项研究中，例如将电子健康记录（EHR）信息自动生成文本或创建用于多医院协作的云平台AI代理。此外，有10项研究中的AI工具用于分诊和预测护理模式，例如预测患者是否需要转入重症监护室（ICU）或计算住院时长。
AI工具促进的综合过渡期护理组件
AI工具对综合TC的多个组件显示出积极的促进作用。其中，护理连续性和复杂性管理是AI工具支持最多的两个组件，其次是患者和照顾者的福祉以及照顾者参与。例如，通过AI代理和云平台实现医院间的医疗信息共享，确保了罕见病患者（如先天性白内障）在转诊过程中的护理连续性。自动化出院摘要生成器则将患者的入院信息、实验室检查、诊断结果、治疗方案和用药计划直接传递给后续护理团队，避免了资源浪费。在复杂性管理方面，诸如FedIO学习框架、Viz.ai和pCART等工具，通过预测并发症、早期识别危重状态和促进及时转诊，有效管理了护理过程中的复杂性。相比之下，患者参与和患者教育是AI工具促进最少的组件，仅少数研究提及，例如通过集成虚拟形象的应用程序对心力衰竭患者进行自我教育。
人工智能工具在过渡期护理中应用的结果
报告的 outcomes 多种多样，可归纳为七大类。再住院率是常见的评价指标，有9项研究报道AI工具的应用与30天或90天内再住院率的降低相关。早期预测和诊断是另一重要 outcome，体现在11项研究中，AI工具能够早期预测疾病严重程度、住院时长或识别需要转诊的危重患者。患者的健康 outcomes 在9项研究中得到改善，例如通过预测并发症和加快响应时间实现。信息交换是最常报告的 outcome 之一（12项研究），AI促进了护理设置之间患者医疗信息的连续、及时流动。此外，患者体验、成本效益和护理过渡绩效（如转诊时间、治疗时间）也是关注的重点。仅有少数研究提到了不利 outcomes，如需要额外培训来理解AI算法或证明成本效益的初始挑战。
讨论
本综述表明，AI有潜力在过渡期护理中发挥重要作用，但目前的应用主要集中在通过提高行政和操作效率来支持医疗保健专业人员，而非取代人类智能。AI工具在系统导航、信息交换和管理随访流程等方面表现出色，有助于减轻管理负担。然而，其应用也面临证据有限、资源分配、用户接受度、伦理问题（如隐私、算法偏见）以及可能导致的医疗专业人员技能退化等挑战。未来研究应关注如何在自动化和增强人类能力之间取得平衡，开发以人为中心、公平驱动的AI支持系统。此外，需要建立标准化的评估框架，以全面衡量AI在TC中的有效性、可用性、成本效益和公平性。
局限性
本研究存在一些局限性。首先，检索范围限于三个主要数据库的科学文献，可能遗漏灰色文献或其他来源的相关研究。其次，严格的纳入排除标准可能引入选择偏倚。第三，可能存在发表偏倚，即阳性结果的研究更容易被发表。最后，AI领域发展迅速，本综述仅纳入了21项研究，反映了AI在TC中应用的早期阶段，结论需谨慎解读。
结论
综上所述，AI在过渡期护理中的应用显示出优化护理连续性、改善出院随访流程、增强系统互操作性的前景，并能带来降低再住院率、改善信息交换等积极 outcomes。未来研究应深入探索AI在TC中的有效实施策略，考虑情境因素，并开展更多实证研究以测量其在实际应用中的效果，同时关注并解决相关的伦理和实际挑战。随着AI和TC领域的持续发展，其在提升医疗服务质量方面的潜力值得进一步挖掘。
