新州SAFE-WAIT脓毒症AI试验扩容至五家急诊科：试点高风险患者抗生素提前83分钟，2027年初重启
澳大利亚新南威尔士州卫生部宣布，SAFE-WAIT脓毒症AI预测模型将在西悉尼五家医院急诊科开展为期两年半的评估，获州转化研究资助计划近50万澳元支持。该模型在2024年Westmead医院为期六个月的试点中，通过分诊护士录入的初始评估数据实时计算脓毒症风险，以红黄绿三色提示护士；高风险患者平均比传统触发条件提前约90分钟被识别，抗生素给药提前83分钟。扩容评估的重点是模型能否在不同医院环境中稳定起效。
候诊室里的83分钟：脓毒症AI从一家医院走向五家，真正的考验刚开始
视角标签 ｜ 深度研报
临床决策支持视角 ｜ 卫生经济学视角
澳大利亚新南威尔士州一项脓毒症AI预测模型，在2024年Westmead医院为期六个月的试点中，让高风险患者平均比传统触发条件提前约90分钟被识别，分诊二、三类的高风险患者抗生素给药平均提前83.6分钟。同一批数据里还有另一个数字：分诊四、五类的高风险患者，抗生素给药反而延迟了186.37分钟。近50万澳元的州级资助将把这个模型推到西悉尼五家急诊科，评估期两年半，计划于2027年初重启。
场景开场：同时挤着40到60人的候诊室
脓毒症 (Sepsis) 是身体对感染产生极端反应而引发的危重状态，早期识别至关重要，因为治疗越早开始效果越好。
把它放进急诊现场，难度会立刻显现。Westmead医院急诊科去年接诊超过8万人次，创下历史最高纪录；候诊室里同时可能有40到60名患者。在这样的密度下，谁是那个正在安静地走向脓毒症的人，靠肉眼巡视几乎无法可靠分辨。
项目团队成员Gladis Kabil医生的表述是，这个模型试图帮助临床医生在拥挤的候诊室里，看到那些正在悄悄发展成脓毒症的患者。
澳大利亚每年有超过8.4万人受脓毒症影响，约1.2万人因此死亡。这两个数字是SAFE-WAIT项目存在的全部理由。
技术拆解：分诊数据实时算风险，红黄绿三色如何驱动护士行动
SAFE-WAIT的项目全称是 SAFE-WAIT SPACE to Sepsis Care——a real-time AI algorithm to recognise sepsis in patients in emergency department waiting rooms（SAFE-WAIT SPACE 脓毒症照护：用于识别急诊科候诊室患者脓毒症的实时AI算法）。
它的技术路径并不复杂，甚至可以概括为一句话：不增加任何数据采集动作，只用护士已经录入的东西。
- 输入：分诊护士初始评估时录入的数据，包括人口学信息、生命体征，以及合并症等 predisposing 风险因素
- 计算：模型实时给出低、中、高风险评分
- 呈现：以交通灯式仪表盘展示风险等级，为护士提供候诊室的优先级视图
- 动作：高风险提示触发复评、复测生命体征、补液或给药，从而升级照护
这个设计里最关键的一点是责任边界。高风险提示不等于诊断脓毒症，它只是在促发临床复评。Kabil医生的原话把这个边界讲得很清楚：并不是说每个被标为高风险的患者都会发展成脓毒症，模型想表达的是他们可能发展成脓毒症，这给了临床医生重新评估的机会——这是不是脓毒症，要不要密切监测——从而促成进一步行动。
研究者也明确表示，需要进一步研究才能确定对患者结局的实际影响。已发表的论文把这项工作描述为多阶段临床评估的第一阶段。
效果账本：提前90分钟识别与83分钟提前给药
试点追踪了两层效果。
第一层是识别时点。模型提示的高风险患者，平均比传统脓毒症触发条件提前约90分钟被识别。对需要在第一小时内完成干预的疾病而言，这段时间的分量不言而喻。Kabil医生的说法是，这是非常可观的时间节省，尤其当我们需要在第一个小时内给患者提供干预的时候。
第二层落在给药行为上，也就是下面这张表的核心。
| 患者分组 | 抗生素给药时间变化 | 方向 |
|---|---|---|
| 分诊二、三类高风险患者 | 平均提前83.6分钟 | 改善 |
| 分诊四、五类高风险患者 | 平均延迟186.37分钟 | 恶化 |
| 中等风险患者（试点报告口径） | 平均提前58分钟 | 改善 |
前一行是这项技术最有力的证据，后一行是它最需要回答的问题。两者出自同一批试点数据，也出自同一套模型。
反面数据：四五类高风险患者延迟186分钟，扩容要回答的正是这个
把186.37分钟这个数字单独拿出来看。
在急诊分诊体系中，四、五类意味着较不紧急。这类患者通常被安排在候诊区等待，医疗关注度天然低于一、二、三类患者。SAFE-WAIT的意义本应是让护士在这些人身上也看见风险信号，但试点数据显示，当模型把四、五类患者标为高风险时，抗生素给药反而延迟了近三个小时。
可能的解释路径指向流程而非算法：模型给出的信号如果落在一个本来就缺少医疗复评环节的队列上，信号能否转化为动作，就取决于候诊区的人力配置与响应机制。高风险标签被接受了，但后续的复评、开嘱、给药链条没有同步加速。
这正是扩容评估必须回答的问题。西悉尼地方卫生区发布的材料提到，研究者将考察模型对患者结局、员工体验与卫生服务成本的影响，而不只是模型本身的判别性能。二者之间的差距，是临床AI从论文走向病区的经典断点。
冷静观察：从一家到五家，通用性是所有临床AI的成人礼
SAFE-WAIT的资助结构与扩容路径值得记录。
项目获得2026年新南威尔士州卫生部转化研究资助计划 (Translational Research Grants Scheme) 近50万澳元支持，该计划隶属于州政府490万澳元的高影响力医学研究投资。评估期两年半，覆盖Westmead、Auburn、Blacktown、Mount Druitt与Nepean五家医院急诊科，计划于2027年初重启。
研究团队由急诊医师Amith Shetty副教授领衔，成员包括Gladis Kabil医生、Pramod Chandru医生、Audrey Wang医生与Michelle Moscova副教授。合作机构横跨西悉尼地方卫生区、Nepean蓝山地方卫生区、eHealth NSW、NSW卫生部、西悉尼大学与悉尼大学。
谢蒂副教授对这个模型定位的表述是，它试图帮助临床医生看到全貌，比传统方法更早识别脓毒症，并且是设计来支持护理行动的——特别是在患者还在候诊室、尚未接受医疗复评的时候。
一家医院六个月试点跑出好结果，与五家医院两年半跑出稳定结果，是两类完全不同难度的题目。不同医院的病种结构、分诊习惯、候诊区人力配置都不一样，模型换个环境会不会漂移，是扩容评估的核心命题。更值得注意的是，那个186.37分钟的反面数据，恰好就是一次通用性检验的提前预演——它在提示，模型的有效性高度依赖它被嵌入的那套流程，而不只取决于它算得准不准。
原文链接：NSW Health / The Indian Sun
千方医数集编辑部 出品
