AI护理科研新进展:从预测模型到护理AI Agent

从预测模型到护理AI Agent：一篇谵妄筛查研究给护理科研提了个醒

文献信息Zeng Y, Xie H, Gu F, et al. Artificial intelligence agent for delirium screening among patients in oncology and cardiac intensive care units: a proof-of-concept study. European Journal of Cardiovascular Nursing, 2026. https://doi.org/10.1093/eurjcn/zvag029

一、研究切入点：谵妄筛查到底差在哪里？

谵妄不是罕见病，而是高风险病房里的"常客"。在ICU，发生率高达80%；术后老年患者中，大手术后15–25%会出现谵妄，高风险手术后比例升至50%；心脏手术患者的发生率在26–52%之间，部分研究报告高达54.9%。后果也不容轻视——37.9%的谵妄患者在发作后死亡，其余则面临延长住院、长期认知下降和功能丧失的风险。

问题不是"工具不够好"。CAM、4AT、CAM-ICU这些筛查量表早就有了，指南也早就明确推荐。真正的困境是：工具在那里，但执行不了。

原因是三重叠加：低活动型（"安静型"）谵妄患者看起来只是有点呆滞，不像"典型病人"；谵妄症状与痴呆、药物反应高度重叠，鉴别难；临床护士面对工作量压力、培训参差和文档负担，筛查执行严重不一致。

这篇文章用一句话点出了研究者看到的缺口——

"A key clinical gap, therefore, is the absence of a nurse-embedded, workflow-aligned approach that supports timely, consistent detection of these commonly missed presentations while offering interpretable, actionable guidance at the bedside."

翻译：关键的临床缺口在于，缺乏一种嵌入护士工作流程的方法，能够支持对常见漏诊情况的及时、一致检测，同时在床边提供可解释、可操作的指导。

这句话，是整篇文章的立题依据，也是它和普通"AI预测谵妄"研究最大的区别所在。

二、研究方法：这个AI Agent是怎么造出来的？

研究设计：概念验证，不是临床有效性研究

本研究采用"proof-of-concept"（PoC，概念验证）设计，目标是在前瞻性临床测试前，建立技术可行性和初步性能信号——不是证明临床有效，而是证明系统能跑通。这个边界必须清楚，后面解读数据时会再提。

PoC分两个阶段：开发阶段（构建知识库和检索管道，内部验证稳定性）+ 评估阶段（用去标识化的回顾性临床病例短片进行基准测试）。

AI Agent的三层架构

第一层：自动化文献抓取 + 知识图谱

用Python脚本自动检索2018–2025年间的谵妄相关文献、指南和循证资源，来源涵盖PubMed和Google Scholar，最终获得约2000份文档，重点纳入NICE指南、PADIS指南（疼痛、躁动/镇静、谵妄、制动、睡眠中断）和AGS Beers标准更新版。

随后用NLP技术（spaCy实体识别 + BERT关系抽取）将文档处理成知识图谱（KG），以Neo4j作为图数据库，最终形成超过2000个节点、10000条边的结构化知识库。节点涵盖谵妄亚型、评估工具（CAM/4AT/CAM-ICU）、风险因素（年龄、Beers标准中的药物）、干预措施（ABCDEF bundle、抗精神病药物方案）。

第二层：检索增强生成（RAG）

知识图谱通过RAG机制对接大语言模型，确保模型生成答案时有据可查，而不是"凭感觉回答"——这是降低AI幻觉风险的关键设计。

第三层：GPT-4o作为中枢规划器，Coze（海外版）作为开发平台

整个代理以GPT-4o为核心，整合知识图谱、网络检索（PubMed API）和各类评估模块，在Coze海外版平台上搭建完整工作流。

代理的工作方式是：接收患者病例描述 → 自主选择合适筛查工具（如"术后老年患者用bCAM，ICU用CAM-ICU"）→ 从知识图谱检索相关证据 → 输出结构化的风险分级 + 护理建议 + 证据来源。整个过程可并行也可顺序执行（如"筛查 → bCAM确认 → Beers标准药物审查"）。

对护理科研团队而言，平台信息有参考价值，但真正决定可复现性的不是"用了哪个平台"，而是知识库构建、工具调用规则、病例集、评价标准和人工复核流程是否透明。

人机协作的证据分级体系（值得关注的设计细节）：

系统对证据来源设有三级优先级——第一级是临床实践指南和共识声明；第二级是经验证的谵妄评估工具文档；第三级是支持性综述和原始研究。当来源存在冲突时，优先采用更高质量、更新的指南，无法解决的冲突上报临床医生裁决并保守处理。

评估样本

20个病例，来自术后病房（6例）、ICU（心脏ICU，5例）和肿瘤病房（9例），男性6例（30%），女性14例（70%），平均年龄56.5岁（SD=17.9，范围21–82岁）。

关于病例判定，需要说清楚：20例中8例被确认存在谵妄。两名有经验的注册护士独立验证AI Agent输出，并将其与指南推荐和专家判断进行比较——原文特别说明，护士主要是验证输出，而不是在本研究中重新诊断谵妄。

三、研究框架：完整技术路径一张图

第一步：知识库建设

• 输入：临床指南 + 文献（2018–2025年）
• 方式：Python自动化检索，约2000份文档
• 重点来源：NICE指南、PADIS指南、AGS Beers标准

↓

第二步：构建谵妄知识图谱（KG）

• 工具：spaCy实体识别 + BERT关系抽取 + Neo4j图数据库
• 规模：2000+节点，10000+条边
• 涵盖：谵妄亚型、评估工具、风险因素、干预措施

↓

第三步：RAG检索增强 + GPT-4o中枢规划

• 知识图谱通过RAG机制对接大语言模型
• 核心：GPT-4o作为中枢规划器，开发平台为Coze（海外版）
• 作用：让AI"有据可查"地回答，降低幻觉风险

↓

第四步：自主工具调用（支持并行/顺序执行）

• 筛查工具：CAM-ICU / 4AT / bCAM（按病例类型自动选择）
• 药物审查：Beers标准
• 集束化护理监测：ABCDEF bundle

↓

第五步：结构化输出

• 风险分级 + 护理建议 + 证据引用来源

↓

第六步：人工确认 → 最终决策

• 护士 / 临床医生审核确认
• 系统支持 but 不替代临床判断

四、结果的实用性：数字说明什么，不说明什么？

核心数字

该Agent在工具选择上达到100%准确率，在生成临床结论和护理建议上达到90%总体准确率，而对比基线仅为45%。

"The agent achieved 100% accuracy in selecting appropriate tools and 90% overall accuracy in generating conclusions and care recommendations, compared with 45% for other large language model baselines."

读这个数字之前，先看清楚背景：这20个病例是目的性抽样，研究者主动选择了"有代表性"的病例，而非随机到来的真实病例流。在精心挑选的20个病例上达到100%，和在随机来的大量真实病例上达到100%，含义是不同的。这是PoC阶段的固有边界，不是文章的缺陷，而是设计的诚实。

实用性亮点

双语支持：系统支持中英文输入，尝试将中英文病例描述映射到同一套评估逻辑和指南知识库，仅输出语言不同。从技术设定看，这是有意为之的设计。但需要说清楚的是：该系统在中国真实病房中的可用性、接受度和安全性，仍需要进一步验证，不能直接等号为"国内临床护士可以直接使用"。

处理效率：每个病例平均处理时间15秒。

复杂病历整合能力：能将合并症、手术干预、用药档案和生命体征整合为连贯的风险评估，尤其擅长识别可干预风险因素（如电解质紊乱、镇静药使用）。

局限

数据不完整时（如缺少化验值），系统偶发性高估风险。更重要的是，原文对AI的定位说得很清楚——

"An AI system may therefore support (but not replace) clinical judgment."

支持但不替代。这不是客套话，而是整个系统设计的前提。原文明确提到：需要human oversight、clinician confirmation、verify-before-act prompts和escalation pathways。

五、对护理科研选题的4个提醒

⚠️ 以下为基于原文可提炼出的方法学启示，属于二次解读层面，非原文逐字结论。

提醒1：从"临床缺口"切入，而不是从"技术热点"出发

这篇文章的起点不是"我想做个AI系统"，而是谵妄漏诊的真实困境。下次你在想选题的时候，不妨先问自己：这个问题，临床上真的有人在为它头疼吗？ 技术是工具，不是起点。

提醒2：PoC/可行性研究，问题具体比样本量大更重要

这篇文章不是靠大样本取胜，而是靠"问题具体、技术路径清楚、评价目标克制"。PoC研究可以小样本起步，但前提是必须明确：它证明的是系统能否跑通，而不是证明临床有效。评价目标克制、后续验证方向清晰，是这类研究能发表的核心。

提醒3：知识图谱 + RAG + LLM，这个组合值得关注

不依赖大模型"凭感觉回答"，而是让AI先在有据可查的知识库里检索再回答——这是目前医疗AI在临床应用中控制幻觉风险的主流思路。护理科研如果要介入AI领域，这个方向比纯粹的"预测模型"更有临床落地空间。

提醒4：局限性要写得比自己更诚实

本研究对局限性的描述是清醒的：样本量小、只是PoC、真实世界异质性（罕见肿瘤、文化偏差）可能导致模型漂移、需要外部验证。这是高水平论文的标配写法——先把坑说清楚，比等审稿人指出来强得多。

六、科研选题推荐（5个，按推荐优先级排列）

⚠️ 以下为基于本研究延伸出的选题建议，属于二次解读，非原文直接提供。

① 低活动型谵妄识别能力现状及影响因素研究

• 最适合临床护士起步，护理属性强，风险低
• 原文依据："hypoactive delirium...poses particular difficulties in detection"——低活动型谵妄识别难是本研究立题的核心依据之一，国内护士的真实识别率尚无系统数据

② 心脏ICU护士谵妄筛查执行现状与障碍因素研究

• 贴合本文心血管护理期刊语境，国内CICU现状数据是空白
• 原文依据："prospective validation in cardiovascular settings is warranted"——原文在结论中直接点出这是最需要填补的研究方向

③ AI辅助谵妄筛查工具在ICU护士中的可用性与接受度研究

• 适合质性/混合方法，不需要技术背景
• 原文依据："uneven training and confidence in tool use"——筛查工具执行不一致的根源之一是培训参差，AI工具引入后护士端的接受度研究有明确空间

④ 基于知识图谱与RAG的谵妄护理决策支持系统构建与初步验证

• 适合有医学信息学团队支持的研究者
• 原文依据：本研究完整披露了技术路径（KG + RAG + GPT-4o + Coze），并指出"real-world heterogeneity...may introduce drifts"，国内场景的适应性研究有明确填补空间

⑤ ABCDEF集束化护理在心脏ICU谵妄预防中的执行障碍与智能化支持研究

• 适合护理质量改进和实施科学方向
• 原文依据：ABCDEF bundle被原文多次引用为核心干预措施，并整合进AI代理的工具模块，说明其指南地位已有高度共识，但执行层面的研究在国内CICU仍是缺口

七、主编提醒：这篇文章有3个地方不能读得太满

① 45%基线不是严格的模型排行榜

原文摘要写"compared with 45% for other large language model baselines"，但结果部分写"outperforming other LLMs such as ChatGPT5 with 45%"（注：原文使用"ChatGPT5"，OpenAI官方产品名为GPT-5）。究竟是多个基线的平均，还是仅指单一模型，原文表述不完全一致，不宜过度解读这个对比数字。

② 病例来源表述有轻微不一致，但大体可理解

方法部分写"oncology/medical wards"，结果部分写"cancer wards"，两处表述略有差异，原文未作进一步说明。大体可理解为：术后病房（6例）、心脏ICU（5例）、肿瘤/肿瘤内科病房（9例）三类场景。

③ 病例性质的表述，原文自身存在不一致

方法部分写"de-identified retrospective case vignettes"（去标识化回顾性病例短片），讨论部分写"20 de-identified real-world inpatient cases"（真实住院病例），而Figure 2说明文字写的是"four representative simulated cases"（模拟病例）。三种说法并存，原文未作统一说明。建议在引用本研究数据时，对病例的真实性保持谨慎，不宜简单定性为"真实临床病例验证"。

发表信息：该文于2026年2月3日在线发表于 European Journal of Cardiovascular Nursing。Zeng Yingchun与Xie Hongxia为并列第一作者，Zeng Yingchun同时为通讯作者。研究于2025年8月至10月在新加坡和中国开展，其中AI Agent在新加坡开发，并使用来自中国的去标识化临床病例进行评估。