常常未被量化的临床信号

医院护士整班工作都在药物发放、生命体征检查、记录文档、与家属沟通，以及不断判断患者是否看起来稳定之间来回切换。在这样的环境中，最重要的一种专业能力，也可能是最难记录的一种：在标准指标尚未清楚显示异常之前，就察觉“情况不对劲”的能力。

约翰斯·霍普金斯大学护理学院副教授 Kelly Gleason 围绕这个问题开展了研究。她认为，护士受过训练，既会看人，也会看监护仪。他们能注意到外观、警觉性、行为或整体状态的变化，而这些变化未必会立即触发传统医院早期预警系统的警报。但如果没有一种客观方式来传达这些担忧，这种直觉就可能始终只是直觉，即便后来证明它是准确的。

在急性护理中，这就会反复出现一个棘手场景。护士对某位患者隐约感到担心，但血压、心率和其他标准指标看起来都正常。在没有更具体证据的情况下，很难有充分理由把医生从查房中叫走，而繁忙的工作流程也几乎没有时间把直觉系统化地拿出来审视。有时直到下一班护士接手，才发现患者已经恶化并转入重症监护。

将护理判断加入机器学习系统

Gleason 的思路不是取代医院现有警报，而是对其进行增强。医院已经在使用早期预警系统，这些系统会处理患者跨多个班次的数据并生成风险评分。一旦分数超过阈值，护理团队就会收到警报。越来越多此类系统开始使用机器学习，以更好地预测哪些患者可能面临恶化风险。

这些系统确实发挥着有用的安全网作用。它们持续跟踪患者，弥补班次交接之间的连续性，并帮助临床人员避免在繁忙病区遗漏模式。但它们仍主要建立在已记录的数据输入之上，尤其是生命体征和其他可测量因素。问题在于，床旁护士往往能在这些信息还无法被清晰地转化为数字之前，就先察觉到令人担忧的模式。

约翰斯·霍普金斯的研究试图通过找到一种方法，把这些床旁观察量化并纳入 AI 支持的预警系统，从而弥补这一差距。这里并不是把神秘直觉直接翻译成软件，而是结构化地收集经验丰富的护士反复做出的细微临床观察，而这些观察即使在标准指标尚未越过阈值时，也可能与病情恶化相关。

这为何与患者安全有关

价值主张很直接：如果能把患者恶化的时间提前两小时识别出来，结果可能会显著改善。Gleason 描述过这样的案例：如果能更早识别病情恶化，可能就能挽救生命，或者大幅保住生活质量。对护士来说，这些时刻会久久萦绕，因为当时的担忧是真实的，但在那一刻并不足以推动升级处置。

这也是这项工作不仅仅关乎流程优化的原因。它直指现代临床系统的一个众所周知的盲点：医学衡量的是它能计数的东西，但并非所有重要的事情一眼就能被计数。护士往往是与患者床旁接触最持续的临床人员，这让他们能够接触到既丰富又难以标准化的信号。

如果 AI 工具能帮助把这些观察转化为有意义的风险指标，医院就能获得更早、更细致的一层预警。这并不意味着机器会成为护士之上的权威。恰恰相反，这意味着软件会更擅长倾听一线专业经验，而不是把护理工作压缩成一组例行输入。