研究概览
研究成果见刊《npj Digital Medicine》
近日，由中山大学附属第一医院（后简称“中山一院”）重症医学科管向东教授、吴健锋教授团队与迈瑞研发团队合作完成的科研成果——具有可解释性的专家增强早期预警系统（Expert-Augmented Early Warning System, EAEWS），发表在 IF18.0 的全球医学人工智能领域最具影响力的期刊之一《npj Digital Medicine》上，引发业内关注。
此次研究实现了两项重要突破。其一，充分发挥设备端高精度数据优势，深度挖掘多参数趋势变化特征，构建机器学习模型。仅依托床旁监测信息便实现了与多模态数据相近的性能。其二，创新性引入“专家增强机器学习”（Expert-Augmented Machine Learning, EAML），打开AI医疗应用“黑盒”，弥补了预警模型在决策透明性方面的不足。真正做到了让风险精准可见，让预警可解释，让临床决策更有底气。
BeneVision V 系列监护仪 -EIA 早期恶化提示功能
值得关注的是，以 EAEWS 算法为基础，迈瑞开发的 BeneVision V 系列监护仪EIA患者状态早期恶化提示功能，现已完成临床落地应用。该功能无需复杂配套部署，依托重症病房现有床旁监护设备即可独立实现，具备极强的临床可及性与落地实操性。
以秒级高分辨率趋势特征为基础
打造床旁监护早期预警模型
研究基于床旁监护设备提供的高分辨率秒级生命体征数据，深入挖掘与患者病情变化密切关联的多参数趋势特征（包括参数基础值、变化方向、变化幅度及趋势持续时间等），构建循环-呼吸失稳风险早期预警模型。
在 SYSU-ICU 内部验证与 MIMIC-III 外部验证中，模型均展现出了更高的预测准确性。AUROC 和 AUPRC 两项核心指标上，模型表现持续优于 SI、BP 等其他单参数模型以及未纳入趋势特征的模型。
（Tip： AUROC，反映模型区分高风险和低风险的总体能力。AUPRC，体现模型在少数高风险事件识别中兼顾“少漏报”和“少误报”的能力。）
高分辨率生命体征时间序列中的特征提取
基于生命体征的早期预警模型在 SYSU-ICU 与 MIMIC-III 中的性能比较
由结果可见，纳入了秒级高分辨率趋势特征数据的研究模型，早期预警识别能力更好，这也进一步验证了仅依托床旁监护设备构建高性能预警系统的可行性。
引入专家增强机器学习技术
破解医疗 AI 可解释性难题
如果说高分辨率数据解决的是“看得更早”的问题，那么“专家增强机器学习”解决的则是“为什么会这样判断”的问题。
研究借助树模型分析转化，并结合多位资深重症专家对规则的评审及判断，最终形成包含180条高价值规则的专家增强型早期预警系统（EAEWS）。其中，每条规则皆由多个特征阈值条件构成，然后分别对应一种特定的生理失衡模式。
这意味着，系统在发出预警提示的同时，将能够提示触发的关键原因，让原本不可见的算法判断过程变得可理解、可追溯。
集成实时生命体征监测的 EAEWS 临床界面示例
不同决策阈值下模型在外部验证中的表现
在 MIMIC-III 外部验证中，EAEWS 的 F1 值为 0.53，高于默认概率阈值（0.5）的随机森林模型（F1 值为 0.46）,具有更强的综合识别能力。
（Tip： F1 值是综合衡量模型识别效果的重要指标。数值越高，说明模型在减少误报和漏报之间的平衡越好。）
在 3 小时风险窗口内的预警时效性比较中，EAEWS 可平均提前 20 分钟发出有效预警，且阳性预测值（PPV）超过 70%。进一步证实系统不仅具备更强的预警能力，还兼具了较高的预警质量与较低的临床干扰性，有助于减少报警疲劳。
此次研究成果，将为重症患者监护提供智能化支撑，同时也为医疗人工智能从科研创新迈向临床转化提供一条新的实践路径。
EIA 早期恶化提示临床应用场景
面向未来，迈瑞也将继续携手更多临床专家，围绕急危重症等关键场景持续开展科研合作与成果转化，推动人工智能技术与临床需求深度融合，加速创新成果从临床科研走向真实应用，进一步助力临床诊疗能力提升，造福患者，为智慧医疗高质量发展注入源源不断的强劲动能。
