使用人工智能的脓毒症护理医疗记录抽象改善质量：一项整群随机试验

重要性 医院质量报告仍是一个手动、成本高昂的过程，且作为改善护理结局的机制存在严重局限性。 目的 评估由大语言模型（LLMs）实现的近实时质量测量能否改善以医疗保险和医疗补助服务中心（CMS）严重脓毒症和脓毒性休克管理集束化（SEP-1）质量指标衡量的质量绩效。 设计、设置和参与者 这项单盲、非分层整群随机试验于2024年12月13日至2025年7月8日在加利福尼亚大学圣迭戈分校（UCSD）卫生系统内的2个学术性急诊科（EDs）进行。参与者包括所有在UCSD EDs执业且在试验开始前每月工作超过3个班次的66名主治医师。 干预 参与者被随机分配接受在患者出院时由大语言模型确定的SEP-1依从性反馈，或接受标准流程。 主要结局和测量指标 主要结局是SEP-1的总体依从性。次要结局包括专家对LLM SEP-1判定的一致率、30天死亡率以及急诊科严重脓毒症和/或脓毒性休克患者的重症监护病房入住率。效应量通过混合效应逻辑回归模型估计，其中干预组作为固定效应，医生作为随机截距。 结果 研究人群包括66名医师，他们治疗了301名符合CMS SEP-1纳入标准的患者（对照组121名，干预组180名；中位年龄64.3[IQR，51.1-75.7]岁；171[56.8%]名男性；52[17.3%]名患有慢性肾脏病；52[17.3%]名患有慢性心力衰竭）。对照组的SEP-1依从率为70.1%，而干预组为82.9%。在混合效应模型中，干预组的分配导致SEP-1依从性绝对改善13.0%（95% CI，2.5%-23.4%；比值比2.10[95% CI，1.15-3.81]；P = .02）。干预组和对照组之间最大的差异在于30-mL/kg液体推注组分未完成（3/180[1.7%]对16/121[13.2%]），这是该质量测量中一个对文件记录敏感的组分。LLM判定与专家评审的一致率为92%。在重症监护病房入住率或30天死亡率方面没有显著差异。 结论和相关性 在这项针对脓毒症护理的人工智能（AI）医疗记录抽象的整群随机试验中，快速评估SEP-1绩效并提供针对性反馈改善了总体依从性。AI驱动的质量临床整合可能解决现有医院质量报告的局限性，并更好地支持学习型卫生系统。 试验注册 ClinicalTrials.gov 标识符：NCT07581340