一、研究背景急诊分诊是急诊科最前置、也最关键的决策点护士要在极短时间内判断一名患者的病情急迫程度决定谁需要立刻抢救、谁可以安全等待。这个判断发生在认知资源最紧张的场景——患者高峰、人手短缺、时间压力叠加却直接关系到危重患者能否被及时识别。以美国为例急诊年就诊量超过 1.43 亿人次急诊拥挤已成为全球性难题与之相伴的是可预防的不良事件与死亡风险上升 DOI: 10.1016/j.ijmedinf.2026.106652。北美主流的急诊严重度指数Emergency Severity IndexESI把患者按病情与预期资源需求分成五个急迫等级应用广泛却面临三重结构性难题 DOI: 10.1097/pec.0b013e3182621813其一单人评估存在瓶颈与一致性偏差。有研究显示临床医生在标准化病例上的正确分级率仅约 59%且存在系统性经验偏差——高年资医生倾向「不足分诊」可能延误危重救治低年资医生倾向「过度分诊」浪费有限资源。其二分诊是一次性判断难以随病情演变调整。心肌梗死、脓毒症等危重患者在初到时分往往生命体征尚「正常」一旦被定为低危就可能在高危队列里被延误。其三也是最被忽视的一点——生命体征采集之前的排队环节无人处理。现实中的分诊是「序贯信息收集」患者先挂号登记此时只有主诉症状生命体征要等护士逐个测量。在拥挤的高峰期危重患者可能已经排在队伍里却因为「数据还没测齐」AI 帮不上忙。绝大多数现有 AI 分诊系统都要求输入完整临床数据含生命体征才能给出预测恰恰绕开了这个最危险的窗口。二、研究创新点澳大利亚迪肯大学 Sandeep Reddy 团队正是瞄准这第三个缺口在 International Journal of Medical Informatics 发表 ED-Triage-AgentETA把「没有生命体征时谁该先看」这一此前无人正式解决的问题第一次拎到了台面上。这项工作有三处鲜明设计第一把「生命体征前的队列优先级排序」确立为独立问题。在体征缺失的情况下仅凭症状就先给出一版 ESI 量表的初步急迫信号用于排队排序待体征到位后再升级为正式分级推荐。这切中了真实急诊的时序逻辑。第二坚持「人在环中」human-in-the-loop而非完全自主。ETA 被明确设计为协作系统AI 在每个分诊阶段给出建议与推理最终判断始终保留给临床医生——这与近期诸多「自主替代医生」的智能体路线形成了明确分野。第三用官方标准锚定推理、以开源姿态公开。系统通过检索增强生成RAG锚定 ESI 实施手册第 4 版让每条推荐都可追溯、可解释代码与评测框架已开源。三、技术原理ETA 的核心思路是「顺着分诊的真实节奏走」用一个由 5 个专业智能体组成、经 LangGraph 编排的多智能体架构把分诊拆成与工作流对齐的两阶段Phase 1症状先行优先级排序仅凭挂号时获得的症状主诉生成一版 ESI 量表的初步急迫信号用于在生命体征采集之前就对排队顺序做出安排Phase 2体征后分级推荐一旦生命体征与临床发现到位生成与 ESI 标准逐条挂钩的正式分级推荐并附上明确临床推理。为保证输出不「跑偏」ETA 用 RAG 把 ESI 实施手册第 4 版作为知识底座每个智能体的判断都锚定在官方标准上置信度权重与决策阈值先在 30 个标准化 ESI 实践病例上完成校准再上外部基准检验。系统还配有审计日志与临床医生仪表盘让「AI 说了什么、为什么这么说」全程可回看。四、实验结果团队在外部 TRIAGEAGENT 基准上用精确匹配准确率、二次加权 Cohen’s κw、F1、过度/不足分诊率与高危灵敏度等指标给出了 95% 置信区间下的结果 DOI: 10.18653/v1/2024.findings-emnlp.329阶段指标结果Phase 1 症状先行精确匹配准确率76.39%κw0.8787Phase 1 症状先行高危灵敏度95.52%Phase 2 体征后分级精确匹配准确率87.04%κw0.9090Phase 2 体征后分级显著过度分诊 / 不足分诊0.00% / 0.46%全阶段误分类落在相邻级别±1内97.22%几个数字值得细看。Phase 1 在没有生命体征的情况下仅凭症状就能达到 76.39% 的精确匹配准确率、κw 0.8787且高危灵敏度高达 95.52%——这意味着系统对「必须优先看」的危重患者几乎不会漏排。Phase 2 体征到位后准确率进一步提升到 87.04%、κw 0.9090。更具临床价值的是安全性显著过度分诊为 0.00%、显著不足分诊仅 0.46%且 97.22% 的误分类都发生在相邻级别±1 级内——即便出错也极少出现「危重当轻症」这类致命性跨越。作为对照链式思维CoT基线在胜任力病例上出现了 10.00% 的显著不足分诊而 ETA 为 0.00%。五、应用前景这项研究对「AI 该如何进入急诊分诊」提供了一个相当克制的样本三点启示值得关注其一AI 的正确位置是「协作支持」而非「替代判断」。ETA 把「保留医生自主权」写进了架构本身这是它区别于单纯追求准确率的单模型预测系统的关键。在高风险、高时间压力的急诊场景「可解释 可回看 人在环中」往往比再高几个百分点的准确率更接近真实落地。其二先解决最痛的窗口比追求全流程更务实。生命体征采集之前的排队环节是分诊安全网里最薄弱、也最被 AI 忽视的一环。ETA 用「症状先行」补上了这块拼图为后续更完整的系统铺路。其三诚实是稀缺品质。作者明确指出本研究验证的是标准化病例上的技术可行性临床效用、安全性与工作流整合仍必须通过真实急诊数据与临床医生用户的前瞻验证来确认。团队已透露下一步将在澳大利亚及全球急诊科开展真实部署试验。这一定位与近段时间「先落地再说」的浮躁叙事形成了鲜明反差。六、结论急诊分诊最难的地方往往不是「算出正确的分级」而是在信息尚未齐全、时间又极度紧迫时先给危重患者一个靠前的位置。ED-Triage-Agent 用双阶段多智能体架构给出了一条务实的路径症状先行排危重队列、体征到位再出正式分级并以「人在环中」的协作姿态守住安全底线——外部基准上症状先行排序准确率 76.39%、高危灵敏度 95.52%体征后分级 87.04%显著不足分诊仅 0.46% DOI: 10.1016/j.ijmedinf.2026.106652。它没有宣称 AI 能替代分诊护士却为「AI 智能体如何真正嵌入急诊工作流」提供了一个清醒的起点不是取代人而是在最危险的窗口帮人把该优先的人看清楚。本文基于 2026 年最新论文/开源项目的独立解读立场与原作者无关仅作技术交流。论文原文信息链接急诊分诊如何在没有生命体征时先排危重队列ED-Triage-Agent 双阶段多智能体协作方案参考文献Sharma K, Sivadas H, Edwards C, Gunja N, Reddy S. ED-triage-agent: a multi-agent framework for human-in-the-loop emergency triage.International Journal of Medical Informatics, 2026. DOI: 10.1016/j.ijmedinf.2026.106652Gilboy N, Tanabe P, Travers D, Rosenau AM. Emergency Severity Index (ESI): A Triage Tool for Emergency Department Care, Version 4.Pediatric Emergency Care, 2012. DOI: 10.1097/pec.0b013e3182621813Wang Y, et al. TriageAgent: Towards Better Multi-Agents Collaborations for Large Language Model-Based Clinical Decision Making.Findings of ACL: EMNLP 2024. DOI: 10.18653/v1/2024.findings-emnlp.329