综述：从决策支持到临床应用：人工智能在院前气道管理中的范围综述

《International Journal of Medical Informatics》：From decision support to clinical integration: A scoping review of artificial intelligence in prehospital airway management

　　白芳芳|邱文娟|朱晓婷|冯杨辉
中国杭州古墩路1229号浙江省医院急诊科，邮编310030

**摘要**
**背景**
气道管理是院前急救护理中的关键组成部分，快速决策和操作准确性对患者生存至关重要。近年来，人工智能已成为一种有前景的工具。然而，人工智能在院前气道管理中的应用现状及其转化准备情况仍不明确。

**目的**
本综述旨在综合现有证据，探讨人工智能在院前气道管理中的应用，并识别当前研究中的空白和临床整合的挑战。

**方法**
本综述遵循PRISMA-ScR指南，对PubMed、Web of Science和EBSCOhost数据库进行了截至2026年2月的系统检索。两位评审者独立筛选研究并提取了关于研究特征、人工智能方法、临床应用和性能指标的数据。

**结果**
共纳入了2020年至2026年间发表的9项研究。人工智能应用被分为四个功能领域：用于气道干预和分诊的预测建模、生理信号监测、用于临床文档分析的自然语言处理，以及插管过程中的计算机视觉进行解剖结构识别。大多数研究关注于气道干预前的预测，而针对操作辅助或插管后监测的研究较少。模型性能普遍较好，报告的AUC值介于0.867至0.960之间。然而，所有研究均依赖于回顾性数据和改进性验证；仅有一项研究进行了外部验证，且没有研究报道前瞻性试验或公平性评估。

**结论**
人工智能在院前护理的多个阶段显示出显著潜力，可有效支持气道管理。然而，现有证据仍处于探索阶段，受到方法学限制、缺乏前瞻性验证以及与临床工作流程整合不足的影响。未来研究应优先考虑多模态数据整合、外部验证和前瞻性实施研究，以促进人工智能在现实院前实践中的安全有效应用。

**注册方案编号：** PROSPERO (CRD42026132386)

**1. 引言**
创伤和院外心脏骤停仍然是全球主要的公共卫生挑战，导致大量可预防的死亡。每年全球约有440万人因此死亡，占全球死亡人数的约8% [1]。有效的气道管理是急救护理的基础。在院前环境中，如心脏骤停、严重创伤、呼吸衰竭和意识改变等情况常需要气道管理 [2]。气道管理在预防缺氧、减少继发性脑损伤和提高重症患者的生存率方面起着关键作用 [3]。最近的国际共识研究进一步强调了其重要性，将先进的气道管理确定为评估全球创伤护理能力的关键程序 [4]。急救医疗服务人员的及时和适当的气道干预可在患者到达医院前对结果产生显著影响 [5]。

然而，院前气道管理往往具有挑战性。分泌物、血液和解剖结构的变化常常影响声门的充分可视化 [6]。此外，院前护理通常在资源有限的环境中进行，面临时间压力、设备有限和复杂的救援条件 [7] [8]。多次插管尝试明显与不良事件相关，包括缺氧、误吸和心脏骤停 [9] [10]。因此，提高初次插管成功率、减少插管尝试次数以及为经验不足的医护人员提供培训或决策支持已成为气道管理的关键挑战 [11] [12]。

人工智能（AI）已成为医疗领域的重要技术 [13]。基于AI的方法，包括机器学习和深度学习，已广泛应用于医学成像解读、疾病风险预测和实时患者监测等领域 [14] [15] [16]。通过利用大规模临床数据集，AI系统能够识别变量之间的复杂关系并生成预测信息，帮助临床医生做出更准确和及时的决策 [17] [18] [19]。为此，胡等人 [20] 开发了一种自动化流程，利用合成数据和语言模型从大量生物医学信息中提取表型定义。这种方法展示了先进AI如何填补手动数据输入与大规模知识库之间的空白，显著提升了个性化医疗的可扩展性。此外，李等人 [21] 展示了经过微调的大型语言模型在组织专业知识（如针灸中的精确解剖关系）方面的有效性，强调了特定领域的AI培训如何将非结构化数据转化为标准化、可操作的见解，从而改善临床实践和从业者教育 [21]。随着医疗系统生成越来越多的数字健康数据，基于AI的工具预计将在提高诊断准确性、促进患者教育和优化临床工作流程方面发挥更大作用 [22] [23] [24]。

AI的潜力已逐渐扩展到院前急诊医学领域。机器学习模型可用于支持紧急电话分诊和中风的早期识别 [25] [26]，预测创伤患者的大量输血需求 [27] [28]，以及通过无监督聚类方法对危及生命的创伤进行分型以协助风险分层 [30]。在资源分配方面，AI已被用于优化患者转运 [8] 和预测输血需求以支持早期干预 [31]。此外，临床决策支持系统正在设计中，以整合院前数据以实时预测损伤严重程度并辅助分诊决策 [32]。这些工具的开发旨在减少院前环境的不确定性，为急救人员提供客观依据，从而提高患者分诊的效率和治疗的安全性。然而，关于AI在院前气道管理中应用的现有文献仍然分散。研究在研究设计、数据来源、模型架构和临床应用场景方面存在较大差异 [33] [34]。一些研究使用回顾性数据集进行预测建模——例如，根据注册数据预测院前气道管理或非侵入性通气的需求 [35]；其他研究探索图像识别，如使用喉镜图像的深度学习模型来辅助气管插管 [36]；第三类研究则开发决策支持系统，整合院前数据以提供实时分诊或干预需求指导 [37]。

目前缺乏关于该领域使用的AI模型类型、应用临床背景以及现有研究方法学特征的全面综述。因此，本研究进行了全面综述，系统地梳理了AI在院前气道管理中的应用证据。通过总结AI模型的特点并确定其在院前环境中的临床应用，本综述旨在为未来的研究方向提供指导，并支持开发能够提高决策能力和改善院前气道管理患者护理的AI驱动工具。我们按照PRISMA-ScR报告清单（见附录1）编写了本文。

**2. 方法**
在进行这项系统综述之前，研究方案已前瞻性注册到PROSPERO（CRD42026132386）。但由于搜索结果存在显著异质性，选择采用综述设计来呈现研究结果。本综述遵循《系统综述和荟萃分析的优先报告项目扩展——综述版》（PRISMA-ScR）指南进行报告（见附录1）。

**2.1. 搜索策略**
在PubMed、Web of Science和EBSCOhost数据库中进行了系统文献检索。检索范围从数据库创建之日起直至2026年2月。搜索策略结合了布尔运算符和医学主题词（MeSH）以及标题、摘要、主题和全文字段的关键词。示例搜索词包括“医疗服务”、“院前”、“人工智能”、“机器学习”、“插管”和“气道”。详细的搜索策略见附录2（表a-b）。

**2.2. 入选标准**
本综述纳入了以英文发表的原创研究，这些研究应用了AI或智能技术（包括但不限于机器学习、深度学习、神经网络、自然语言处理、计算机视觉、专家系统和基于知识的算法）来支持或自动化院前环境中的气道管理。符合条件的研究涉及在受伤现场或转运过程中接受急救医疗服务的治疗患者，包括创伤和院外心脏骤停病例，并探讨了与气道评估、决策、操作性能或监测相关的结果。所有研究设计均被考虑在内，包括随机和非随机对照试验、队列研究、病例对照研究、横断面研究、前后对比研究以及模型开发和验证研究。如果研究仅在院内进行且没有院前验证或适用性；如果不使用AI或智能技术；如果不涉及气道管理；如果仅描述算法开发而没有在真实的或模拟的院前患者数据上进行验证；或者如果为综述、评论、社论、会议摘要、病例报告、病例系列、没有临床应用的方法学论文或重复发表的文章，则被排除。

**2.3. 筛选和数据提取**
使用Rayyan平台进行筛选，分为两个阶段进行。首先，两位评审者独立筛选检索到的记录的标题和摘要，排除重复出版物和无关研究。通过第三位评审者的协商解决了两位评审者之间的分歧，确保数据提取过程的准确性和一致性。标题和摘要筛选的初始评分者一致性为95.1%（κ = 0.89），全文筛选的一致性为82.4%（κ = 0.71）。提取的数据包括：作者、年份、国家、AI应用类型、研究目的、研究对象、样本量、气道干预措施、AI方法和主要发现。

**2.4. 数据分析**
采用定量-定性相结合的方法来描述AI在院前气道管理中的现状和临床效用。对于定量部分，进行了描述性统计分析，总结了研究特征，包括作者（年份）、国家、AI应用类型、研究重点、研究对象、样本量、气道干预措施、技术方法和主要发现（临床结果）。对于定性部分，采用定向内容分析方法根据（1）主要功能和（2）在院前护理连续体中的预期应用阶段对研究进行分类。模型开发特征进一步按架构范式和可解释性策略进行综合。所有定量制表和可视化均使用Python（版本24.1.7）完成。

**3. 结果**
在PubMed、Web of Science和EBSCO数据库中的系统检索共获得985条记录。去除395条重复记录后，基于标题和摘要筛选出590项研究。经过标题和摘要筛选后，又有573条记录被排除。最后，共有9项研究被纳入最终综述。研究选择过程见PRISMA流程图（图1）。

在评估的17篇全文文章中，有8篇被排除：4篇因为研究仅在医院内进行且没有院前验证，3篇因为非英文撰写，1篇因为未使用AI。详细的排除原因见补充附录2（表c）。

**3.1. 研究特征**
本研究包括2020年至2026年间发表的9项研究，来自美国 [37]、[38]、[39]、[40]，德国 [35]、[41]，中国 [36]，西班牙 [42] 和英国 [43]。样本量从38名儿科患者到25,556名创伤患者不等，研究对象包括创伤患者、院外心脏骤停患者和需要航空医疗转运的重症患者（表1）。在数据来源方面，三项研究使用了结构化的电子健康记录数据 [35] [41] [43]，三项分析了生理波形信号 [38] [39] [43]，两项对非结构化临床笔记应用了自然语言处理 [37] [40]，一项使用气道图像进行基于深度学习的解剖结构识别 [36]。

**表1. 纳入的研究特征**
| 作者 | 年份 | 国家 | AI应用类型 | 研究重点/目的 | 研究对象 | 样本量 | 气道干预 | AI/技术方法 | 主要发现（临床结果） |
| --- | --- | --- | --- | --- | --- | --- | --- | --- | --- |
| Nelson等人（2026）[43] | 英国 | 预测/分诊 | 估计院前插管对风险分层的大创伤患者生存的影响 | 大型创伤患者 | 64 | 67 | 预院前紧急麻醉和插管 | GBM、RF、AdaBoost、LR；IPW；Shapley值 | 早期插管和30天死亡率高度可预测（AUC 0.943和0.867） |### 3.2. 人工智能在院前气道管理中的临床应用场景

所纳入的九项研究根据主要功能和在院前护理路径中的预期应用阶段进行了分类。从功能上看，四项研究开发了用于风险分层和分诊的预测模型，包括预测气道干预、非侵入性通气以及30天死亡率的需求[35][37][41][43]。两项研究被归类为监测工具，利用自动化算法从生理信号中检测通气率和质量[38][42]。两项研究应用自然语言处理从免费的院前记录中提取临床信息，以识别干预措施并评估治疗的适当性[39][40]。一项研究采用因果推理建模来估计院前插管对创伤患者的生存效果[43]。还有的一项研究开发了一个诊断支持系统，用于实时解剖结构识别，以辅助气管插管[36]。

在应用阶段方面，五项研究支持现场实时临床决策或程序，包括预测气道需求、通过解剖结构指导插管，或对患者进行非侵入性通气和救命干预的分诊[35][36][37][41][43]。两项研究作为监测工具，利用生理信号在积极复苏过程中检测通气率和质量[38][42]。剩下的两项研究应用自然语言处理对院前记录进行回顾性质量改进，实现自动化识别治疗模式和评估干预措施的适当性[39][40]。

### 3.3. 模型开发与性能

所纳入的九项研究中的模型架构分为独立型、集成型和混合型方法。三项研究采用了独立型架构，包括深度神经网络[36]、循环神经网络[42]和基于规则的自动化检测算法[38]。四项研究使用了集成方法，包括提升算法（梯度提升机、AdaBoost、直方图梯度提升）、随机森林以及投票或元学习器[37][39][40][41]。其中两项集成研究结合了自然语言处理技术：一项采用了四个临床NLP系统的集成（cTAKES、CLAMP、BioMedICUS、MetaMap）并增加了phrase2vec语义相似性模型[40]，而另一项将NLP与梯度提升机结合使用[37]。剩下的两项研究采用了混合方法，结合了多种独立型和集成技术进行模型开发和比较，包括梯度提升机、随机森林、AdaBoost和逻辑回归[43]，以及随机森林和朴素贝叶斯[35]。

除了模型架构外，几项研究还采用了增强可解释性或实现序列预测的技术。两项研究采用了可解释AI技术：Shapley值来评估特征贡献[43]和信号质量控制来提高可解释性[42]。三项研究使用基于RNN的时间序列分类生成序列预测[42]、2分钟周期的LSI预测[37]和呼气末二氧化碳趋势分析[38]。

图2展示了AI模型在六个常见指标上的性能。八项研究中报告的AUC-ROC值范围从0.867到0.960。Nelson等人[43]、Weidman等人[37]和Luckscheiter等人[35][41]的AUC值≥0.91。三项研究报告了精确度：Liu等人[36]在声门识别方面的精确度为0.943，Tignanelli等人[40]在气道干预检测方面的精确度为1.00。Jaureguibeitia等人的F1分数为每段89.1%（分段）和每患者84.1%[42]。PR-CArea值为0.830[35]，mAP50值为0.924[36]。

### 3.4. 模型验证、泛化能力和透明度

所有九项研究都采用了内部验证策略，包括交叉验证[35][36][37][41][42][43]、独立测试集[35][37][40][43]或分样本验证[35][40]。然而，只有一项研究使用了一个时间上不同的前瞻性队列进行了外部验证[43]。没有研究进行前瞻性验证或随机对照试验。此外，模型公平性和透明度的处理并不一致。两项研究明确采用了可解释AI技术。Nelson等人[43]使用Shapley值来量化特征贡献，Jaureguibeitia等人[42]整合了信号质量控制模块来提高通气检测的可解释性。只有一项研究讨论了临床整合路径的考虑因素[43]。四项研究遵循TRIPOD或STROBE声明，注意到了标准化报告指南的遵守情况[35][37][41][43]。

### 4. 讨论

本综述综合了当前关于人工智能在院前气道管理中应用的现有证据。研究结果表明，人工智能技术已在多个领域得到探索，包括预测建模、生理信号处理、计算机视觉和自然语言处理（图3）。

尽管现有证据仍处于初步阶段，但所纳入的九项研究总体上表明，人工智能在院前气道管理三个方面具有实际效用。首先，在患者结果方面，Liu等人[36]证明，在模拟的院前环境中，基于AI的气道识别系统将插管时间缩短了11.1秒，并将新手操作者的首次尝试成功率提高了19.4%。其次，在诊断可靠性方面，Luckscheiter等人[41]开发的机器学习模型仅使用常规收集的院前变量，准确预测了院前气道管理（AUC 0.96）和非侵入性通气（AUC 0.96）的需求，提供了可靠的决策支持，有助于急诊医生避免不必要的插管或延迟干预。第三，在医疗效率方面，Nelson等人[43]和Weidman等人[37]开发的预测模型仅使用早期院前数据就取得了高性能，表明人工智能可以简化分诊、减少现场时间并优化资源分配。虽然大多数研究是回顾性的或基于模拟的，但这些发现共同表明，人工智能在院前气道管理的多个方面具有实际效用，值得进一步的前瞻性实施研究。

然而，现有研究在气道管理的不同阶段分布不均。大多数研究集中在支持气道干预前的临床决策的人工智能应用上。这些研究主要旨在使用院前环境中的数据预测气道管理或其他救命干预的需求。结构化的紧急医疗服务数据集已被用来开发机器学习模型，以识别可能需要气道管理的创伤患者。从实际角度来看，这种重点是可理解的。在院前紧急系统中，结构化的临床变量、生命体征和治疗信息通常会被收集，这使它们适合进行机器学习分析[44]。此外，回顾性数据集比实时医疗数据流更容易获取。预测模型有助于识别高风险患者并指导早期决策，但仍存在一些方法学限制。首先，数据来源存在限制。一些研究依赖于为行政或质量改进目的收集的注册数据，这往往导致混淆因素（如现场时间、提供者经验和药物使用）的记录不完整，从而限制了模型开发期间的调整[45]。此外，不明确的时间关系可能导致反向因果关系。在回顾性研究中，包括在干预后测量的变量可能会引入反向因果关系，即模型学习使用决策后的事件作为决策本身的预测因素[46]。Nelson等人[32]通过从模型开发中移除所有与气道相关的变量，并仅使用早期队列的院前数据进行训练和在时间上不同的队列上进行验证，解决了这个问题。他们使用双重稳健估计进一步防止了时间变化协变量的混淆。然而，类似的问题在更广泛的文献中仍未得到充分认识。因此，未来的登记系统应设计得更好，以通过前瞻性地捕获关键混淆因素来支持研究，并尽量减少信息偏差。事件的时间顺序也应明确定义，以避免反向因果关系。

关于气道操作期间和插管后监测的人工智能应用的研究仍然有限。插管在技术上要求很高，特别是在院前环境中，时间压力、设备有限和患者状况复杂增加了失败的风险[47]。多次尝试与缺氧、误吸和心血管不稳定有关[48][49]。新兴研究探索了使用计算机视觉方法从喉镜图像中识别解剖标志物，可能提高操作准确性。此外，分析呼气末二氧化碳波形的AI模型在实时评估通气效果和导管放置方面显示出潜力。自动波形解释可能减少气道并发症的延迟识别，并在运输过程中提供持续监测——这在时间关键的紧急情况下是一个重要的补充。

然而，将这些技术转化为临床实践需要可靠的数据获取、实时处理以及与现有设备的无缝集成。测量偏差仍然是一个问题。Luckscheiter等人[35]使用的MIND数据集缺乏连续的生理数据，且伤害严重程度是基于主观估计的，这引入了潜在的信息偏差[50]。此外，算法开发在很大程度上依赖于参考标准的质量。虽然一些研究使用呼气末二氧化碳波形作为通气的真实值[38][42]，但呼气末二氧化碳反映的是二氧化碳浓度而不是直接气流[51]。其准确性受到传感器放置和系统延迟变化的影响[52]、[53]。即使是在标准化协议下，对数千个事件的手动标注也本质上具有主观性[54]。环境鲁棒性也是院前医疗集成面临的主要障碍。视觉遮挡会严重降低在干净数据集上训练的计算机视觉模型的性能[55]。如果没有置信度评分或故障安全机制，错误识别可能会导致灾难性后果。因此，未来的研究应该优先考虑那些在紧急情况下仍能保持精确度的特征提取技术。人工智能在院前急救护理中的临床应用取决于算法的透明度。高性能模型，如深度神经网络和集成方法，在准确性上往往优于可解释的白箱模型[39]、[42]。然而，它们的不透明性可能会削弱临床医生在高风险环境中的信任[39]、[42]。这种权衡不仅仅是技术上的，还取决于具体情境。像逻辑回归和决策树这样的白箱模型提供了具有临床意义的可解释性，但在数据稀少或高度主观的情况下，它们的性能可能会停滞[56]。相比之下，黑箱模型可以整合多模态和时间序列数据，但难以解释。传统的事后工具（如SHAP和LIME）只能提供部分透明度，并且往往无法捕捉集成模型或深度学习模型中固有的复杂非线性交互和时间依赖性[37]、[41]。此外，可解释性不是二元的属性，而是一个依赖于情境的概念。即使模型的内部工作原理不清楚，只要其输出可靠且其局限性得到充分描述，它也可能在临床上有用。然而，不可解释性可能会导致高风险分诊决策中的偏见或错误[57]。此外，基于评估者的评价受到诸如受训者先前的知识、病例复杂性和环境压力等因素的影响。这些因素既不完全透明，也不容易标准化[58]。因此，未来的方向在于设计出既符合临床推理又保持预测鲁棒性的可解释架构[57]。此外，可解释性要求应根据决策的紧迫性、用户角色和临床工作流程进行定制。当前的文献主要集中在单一模态方法上。计算机视觉研究常常忽略生理数据，信号处理研究忽略临床背景，自然语言处理研究也经常忽略这两者。下一代院前AI应该整合多种数据流，以开发出具有情境感知能力的系统。通过Transformer架构和注意力机制实现的多模态集成已经在其他领域取得了革命性进展，并对院前护理同样充满希望[59]、[60]。值得注意的是，在我们的筛选过程中，有四项研究因仅在医院内进行且没有院前验证而被排除。这一观察结果与一种观点相符，即前瞻性AI研究在受控制的医院环境中更为可行，而院前环境则带来了独特的物流和伦理挑战。此外，大多数纳入的研究都缺乏外部验证。未来的研究应遵循TRIPOD-AI报告标准[61]，并至少包括一个地理或时间上不同的验证队列。如复苏结果联盟[62]、[63]或泛亚洲创伤结果研究[64]等合作网络为这类多中心研究提供了基础设施。此外，模型应针对不同人口亚群进行公平性评估。鉴于气道解剖结构和院前护理提供方面的种族和民族差异，确保算法公平性既是伦理上的要求，也是监管上的规定。除了解决上述方法论上的限制外，将AI成功整合到现实世界的院前气道管理中还需要认真考虑临床工作流程、人机交互和实施科学。首先，AI工具应嵌入现有的急救医疗服务（EMS）工作流程中，而不是作为独立的附加组件。例如，可以在运输过程中在急救人员的手持设备或平板电脑屏幕上显示气道干预的预测警报，并以清晰、行动导向的格式呈现结果。其次，院前AI必须应对实时数据采集的挑战，包括运动伪影、变化的光照（对计算机视觉而言）和间歇性的连接性。运行在边缘设备（如智能手机、便携式显示器或带有嵌入式处理器的视频喉镜）上的轻量级模型比依赖云的系统更为实用，因为后者可能会引入延迟或在偏远地区失效。第三，AI应被视为决策支持工具，而不是临床判断的替代品。培训计划应使EMS人员熟悉AI的输出，以促进适当的信任，并在AI建议与临床直觉相冲突时能够进行调整。第四，在广泛部署之前，必须进行可用性测试和与最终用户（急救人员、急诊医生和直升机EMS团队）的迭代共设计。模拟的院前环境（如移动救护车、直升机平台、灾难演练）可以揭示在回顾性验证中不会出现的具体使用场景中的问题。最后，必须建立监管和伦理途径。院前AI工具应符合医疗设备法规（例如FDA、CE标志），并包含针对不同人口亚群的实时性能审计、算法更新和公平性评估机制。如果没有这些以整合为导向的努力，即使性能优秀的模型也可能无法转化为临床效益。未来的实施研究应将这些实际方面与模型开发同等重视。

5. 限制
本研究存在一些局限性。首先，纳入的研究数量较少，反映了该领域研究的早期阶段，从而无法进行定量综合。其次，研究人群、干预措施、比较对象和结果的异质性限制了得出关于最佳AI方法的明确结论的能力。第三，本研究没有使用既定工具正式评估研究质量，因为研究中方法论的多样性限制了有意义的比较。最后，我们也没有正式评估研究中的偏见风险。

6. 结论
本综述表明，AI在院前气道管理中的应用仍处于发展的早期阶段。大多数研究集中在使用结构化EMS数据集的预测建模上。然而，探索实时程序辅助或干预后监测的研究较少。此外，研究中使用的数据类型多种多样，包括结构化的临床变量、生理波形、医学图像和非结构化的临床叙述。这种多样性凸显了AI整合多模态数据源以支持院前急救护理中复杂决策的潜力。然而，需要进一步的研究来验证这些模型在现实临床环境中的效果，并确定如何有效地将AI辅助工具整合到院前气道管理工作流程中。

作者贡献
QWJ参与了概念构思、设计和行政支持。BFF、ZXT和FYH提供了研究材料，并负责数据收集和整理。数据分析和解释由BFF和QWJ完成。手稿由所有作者共同撰写，所有作者均批准了最终版本。

伦理审批和参与同意
不适用。

资金
无。