ITL-aca74808b429
观看视频

图 1. 摄像头可以简化数据录入,但治疗决定仍需要核实输入并结合临床解读。概念示意图。
核心要点
- 图像识别、临床规则执行和患者获益,是三个不同的问题。一个环节成功,不等于另外两个环节也得到验证。
- 2026 年 CCA Pro 论文验证的是 50 个心脏重症模拟场景,其中 15 个涉及凝血;不是 50 位接受该应用指导治疗的患者。[1]
- 与专家意见一致是有价值的初步证据,但不能证明用药错误更少、治疗更快或患者结局更好。[1]
- 执行前先核对原始数值、单位、患者与采样时间,再结合出血机制和现行本地流程判断建议是否适用。
- 医生需要能够审查并否决建议。即使数值读取正确,也可能被用于不适合当前患者的治疗规则。
真正的临床问题,在拍照之后
心脏手术后的患者正在出血。拍下黏弹性检测屏幕,应用自动填入数值,并推荐某种凝血制剂及剂量。它的吸引力很直接:团队忙于处理急症时,可以少抄录一些数字。真正困难的是判断这项治疗是否适合眼前的患者。
2026 年 JCVA 的一项开发研究描述了 CCA Pro v6.0,为理解这一问题提供了具体例子。它整合了 ROTEM、TEG、血气、通气、血流动力学和 ECMO 支持。摄像头模块通过视觉语言模型提取数值,再将其填入与手工录入相同的输入框,交给预设临床算法处理;用户仍可手工修改。[1]
因此,评价它不能只问“AI 准不准”。摄像头可能读错数值,软件可能把规则用于不适用的场景;也可能规则本身合理,却未能改善真实急症中的医生决策。这些是不同的失效环节,需要不同的证据。

图 2. 应评价从屏幕到临床决定的完整过程。本图参考应用研究与 DECIDE-AI 归纳判断框架,并非经过验证的评分。[1, 2]
看到“100% 一致”,先看分母是什么
CCA Pro 的验证采用 50 个由去标识化心脏手术病例衍生的模拟场景。三名资深心脏麻醉医生独立评阅,以至少两人意见一致作为专家共识。场景分布为:凝血 15 个、酸碱或电解质 12 个、通气 10 个、血流动力学 5 个、ECMO 8 个。[1]
表 4 的总体诊断与一线治疗汇总均报告 50/50 一致。但各模块的具体比较并不完全相同:通气建议按是否处于专家建议范围内判断;五个 Fick 心排量场景还包括与热稀释参考值相差不超过 15% 的比较。这些有助于检查原型系统,却不是一个定义完全统一的床旁治疗准确率。
摄像头识别也需要单独看分母。表 3 把结构化屏幕的识别表现标为“高”,把自由格式血气打印报告标为“中等”,属于定性等级。论文没有给出明确图像数量及置信区间支持的定量图像识别准确率。因此,不能把 50/50 的场景一致性改写成“摄像头准确率 100%”。[1]
更关键的是,这项研究没有前瞻性比较医生使用和不使用工具时的诊疗。它没有证实用药错误、输血、治疗延误或临床并发症减少。工具开发者也是论文作者。在把专家一致性转换为患者获益的结论之前,仍需要在目标工作流程中开展独立评价。[1]

图 3. 实际测试了什么:50 个模拟场景,其中 15 个聚焦凝血。这些数字不是接受治疗的患者数,也不是拍摄的图像数。[1]
床旁使用,分两次核实
先核实进入应用的内容。 将提取结果逐项与原始屏幕比较,检查检测通道、单位、小数点、患者身份及采样时间。区分当前结果与较早的标本,确认体重来自患者资料而非默认值。如果屏幕无法可靠识别,应从原始来源手工录入,而不是接受一组“看起来合理”的数字。这是实用核对思路,并非该原型研究已经证明有效的干预措施。
论文本身报告,部分血气打印报告需要手工纠正,识别还受到图像质量、光照和屏幕格式影响。虽然应用中的规则计算可以离线运行,但论文描述的 AI 摄像头功能依赖外部推理平台及网络连接。[1] 因此,临床使用需要机构认可的数据处理路径,也要保留可执行的手工备用流程。
再核实为什么要采用这项治疗。 数值阈值只是决策的一部分。对体外循环后出血,应检查术野、评估残余肝素,并将纤维蛋白原和血小板缺陷与凝血启动检测一起判断。例如,EACTS/EACTAIC 血液管理指南强调,考虑 PCC 前应先纠正低纤维蛋白原;PCC 的适用情境是与凝血因子缺乏有关的明显出血。[3] 单凭凝血时间延长,不能完成这一诊断。
还应依据现行本地流程和产品说明书,核对制剂、剂量单位、禁忌证及重复给药逻辑。软件开发论文自身不是用药剂量的权威依据。如果建议与临床表现冲突,应找出不一致的输入或假设,并重新评估患者;界面呈现得很肯定,并不能增加证据强度。

图 4. 床旁核对顺序。此临床归纳结合了论文报告的输入问题与既有出血管理原则,尚未作为临床干预接受试验验证。[1, 3]
下一步怎样验证,才更有说服力?
有价值的下一步,是在目标医生、设备和患者群体中,前瞻性评价某个明确版本的工具。应分别报告数值提取错误与治疗规则错误,并记录医生何时纠正、接受或否决建议。除了比较决策质量和开始适当治疗所需时间,还应追踪有害建议及实际患者结局。
DECIDE-AI 是早期真实临床评价的报告规范,要求研究交代输入、缺失或低质量数据、工作流程、错误、人机互动和安全性。它是报告指南,不是系统安全认证。[2] 对心脏手术团队而言,实际要回答的是:工具能否在本团队的流程中改善诊疗,同时让错误能够被识别和纠正。
临床带走的三点
- 把读数与推理分开核对。 先确认输入正确,再判断治疗建议是否合理。
- 始终保留分母。 50 个成功模拟场景,不能证明摄像头准确率或患者获益。
- 明确保留临床决策。 将建议与患者、现行流程和治疗反应对应;工具失效时,使用经过演练的备用流程。
参考文献
- El-Sonbaty AI. Development and validation of an integrated artificial intelligence-powered clinical decision support application for cardiac critical care: combining coagulation management, blood gas analysis, mechanical ventilation, hemodynamic assessment, and extracorporeal membrane oxygenation. J Cardiothorac Vasc Anesth. 2026;40(9):3019–3028. doi:10.1053/j.jvca.2026.05.062。
- Vasey B, Nagendran M, Campbell B, et al. Reporting guideline for the early stage clinical evaluation of decision support systems driven by artificial intelligence: DECIDE-AI. BMJ. 2022;377:e070904. doi:10.1136/bmj-2022-070904。
- Casselman FPA, Lance MD, Ahmed A, et al. 2024 EACTS/EACTAIC Guidelines on patient blood management in adult cardiac surgery in collaboration with EBCP. Eur J Cardiothorac Surg. 2025;67(5):ezae352. doi:10.1093/ejcts/ezae352。
