根据美国国家卫生统计中心和国家医院门诊医疗调查数据显示，2022年美国急诊科就诊率为每100人47次，总急诊就诊次数约为1.55亿次^[1]。加拿大健康信息研究所（CIHI）发布的数据显示，2023至2024年间，加拿大急诊科共处理了约1550万次非计划急诊就诊，较前一年有所增加，常见急诊就诊原因腹痛和胸痛排前两位^[2]。Karamercan等^[3]研究发现，欧洲急诊科81.2%的老年患者因非创伤性病症到急诊科就诊，最常见诊断类别是损伤、循环系统疾病、传染病和消化系统疾病。于启林等研究发现，男性急诊患者比例(61.16%)明显高于女性（38.84%)，尤其在损伤和中毒疾病（69.42%）及循环系统疾病（61.73%）中占比突出，提示男性更易发生急症和各种意外创伤^[4]。

上述数据揭示了后疫情与人工智能时代急诊医学的转型趋势。即后疫情时代，急诊科从应急响应逐渐转向综合诊疗和慢性病急性发作的管理，成为医疗体系的重要枢纽^[5]。与此同时，人工智能的广泛应用，为优化急诊流程、分流管理和诊疗效率提供了技术支持^[6]。这种转型背景下，急诊科面对的患者病种繁多，轻重缓急各异，既包括常见病症如腹痛、胸痛，也涵盖危急重症如心梗、中风及多器官衰竭。患者病情不稳定性和复杂性对医师的知识深度、应变能力和诊疗精准度提出更高要求。急诊诊疗环境具有急症多样性、时间紧迫性和高风险性等特点。患者往往病情危急，需要急诊医师迅速做出准确判断和干预。急诊科常常是患者接受医疗照护的第一场景，同时也是急重症救治的核心场所。诊治环境的复杂性要求急诊医师在具备全面医学知识和高超临床技能的同时，还需适应快速变化的医疗模式，掌握高效决策与人文关怀相结合的结构化思维^[7]。本文将从早期诊断、风险评估、患者沟通、合理分流及精准治疗等方面，详细探讨急诊医师在后疫情与人工智能时代所需具备的核心胜任力，并结合国际胜任力框架（如CanMEDS模型）提出适应我国急诊环境的胜任力构建策略。

1 早期诊断

急诊医师需要在时间紧迫的情况下迅速识别各类急症，例如急性胸痛、中风和急性腹痛的复杂表现，以便尽快完成初步诊断。结合自身的临床经验，医师需对患者的病情进行快速评估，判断其紧急性和严重性，从而为及时治疗争取宝贵时间。美国和加拿大的数据表明，腹痛、胸痛等高频急诊原因既可能是良性病症，也可能是危及生命的严重疾病，这要求医师具备高度敏锐的洞察力^[1-2]。为了实现高效诊断，医师需要精炼问诊技巧，迅速获取患者病史和症状，同时通过全面且快速的体格检查识别阳性体征。Waters等研究强调，问诊与病史采集是判断患者紧急程度与制定转诊计划的重要依据^[8]。结合人工智能辅助诊断工具，医师可通过快速分析患者数据（如心电图、影像学检查）提升诊断效率，并减少因信息不充分导致的漏诊和误诊风险。Bucknall等的RCT研究表明，标准化的快速反应系统能够显著提高急诊团队对病情恶化的识别能力，从而改善患者预后^[9]。在后疫情与人工智能时代，急诊科的诊疗效率不仅依赖个人经验，也高度依赖于结构化的临床思维与协作能力^[10]。Dukes等^[11]研究显示，良好的团队协作和院内资源整合能够有效提高急诊患者的生存率。此外，急诊患者病情可能迅速变化，急诊医师必须动态监测患者的症状和体征，并根据病情变化及时调整诊断方法。Bucknall等通过一项RCT研究，探索从标准实施临床实践指南（clinical practice guidelines，CPGs）到促进实施CPGs的临床结果和成本，强调了快速反应系统（rapid response systems，RRS）在及早识别病情恶化、及时通知相关团队、并采取适当治疗来逆转或稳定患者病情中的关键作用^[9]。

2 风险评估

全面系统的风险评估是急诊诊疗中的关键环节，包括对患者生命体征的监测、病史采集、体格检查和辅助检查分析。通过专业的风险评估工具（如APACHE评分或NEWS评分等），医师能够量化患者病情，明确危重程度，为诊疗方案提供科学依据。例如，加拿大数据显示，高频急诊原因如胸痛，可能提示急性冠脉综合征，这需要精确的风险分层以避免漏诊^[2]。Tim Baker等通过概念分析系统性地描述了急危重症的关键特征：此类患者通常伴随严重器官功能障碍或生命威胁，需迅速干预以防止死亡出现或致残发生^[12]。基于这一特性，动态风险评估策略尤为重要，尤其是在患者病情快速变化或并发症风险较高的情况下^[13]。在人工智能赋能的医疗环境中，医师可以利用AI工具辅助风险评估，例如通过机器学习模型快速识别病情恶化趋势，从而实现个性化预警^[14]。动态评估的结果不仅有助于优化资源分配，还能为患者争取更多生存机会，特别适用于创伤急危重症患者。通过完善的风险管理，急诊医师能够显著降低医疗风险并改善患者预后。

3 患者沟通

在急诊工作中，与患者及其家属建立信任至关重要。这种信任不仅来源于医师的专业能力，还需要通过清晰的沟通和同理心的表达来实现。医生应使用简单、明确的语言，尽量减少复杂医学术语，帮助患者及其家属理解诊断和治疗方案。Murtagh等^[15]研究表明，理解和运用患者的想法、担忧和期望（ideas, concerns and expectations，ICE）能够有效提高沟通效率和患者依从性。由于患者对医疗透明度的期望和知情权的意识明显提升，沟通能力在后疫情时代尤为重要。Waters等认为，良好的信息传递能够优化患者管理路径，并减少因信息不对称导致的医疗纠纷^[8]。在家属情绪引导方面，急诊医生应耐心倾听家属的诉求，提供积极支持以帮助缓解焦虑情绪。此外，人工智能技术在患者沟通中也可发挥辅助作用，例如通过电子健康记录（EHR）整合患者病史，快速生成关键信息摘要，帮助急诊医师在高度紧张的环境下高效传递重要信息^[16]。

4 合理分流

急诊科过度拥挤是全球普遍存在且日益严重的问题。合理分流不仅能优化资源利用，还能保障急危重患者的有效治疗，不为“急诊一张床”而苦恼。国际数据表明，急诊患者病情从轻微到急危重差异巨大。根据加拿大和欧洲数据显示，非急性患者与严重患者比例悬殊，这要求医师准确识别高危患者并进行优先分诊^[2-3]。在人工智能时代，智能分流系统正逐步被应用于急诊实践，通过算法分析患者主诉、生命体征和病史，可实时提供分流建议^[17]。这不仅减少人为判断带来的偏差，还提高了整体效率。对于低风险患者，合理引导其至基层医疗机构或专科门诊也能有效缓解急诊科压力。此外，急诊医师需熟悉各类患者的入院标准，确保从急诊到住院的转诊顺利衔接。对于非急诊条件的就诊患者，应充分说明理由并提供其他医疗照护选择，既避免资源浪费，也减少潜在纠纷^[18]。

5 精准治疗

在制定治疗方案时，应首先对患者进行全面评估，包括病史、症状、体征以及辅助检查结果，以提供准确的诊疗依据。精准治疗的核心在于以患者为中心，结合科学的诊疗指南与个体化原则制定合理的治疗方案。急诊医师需充分考虑患者年龄、性别、基础疾病和既往病史等因素，通过全面评估病史、体征和辅助检查结果，在明确诊断和风险程度之后，迅速确定最佳治疗策略^[19]。Marshall等^[20]探讨了在临床决策中融入个体化治疗原则的实践。该研究指出，通过充分评估患者的个人偏好并结合临床指南，急诊医师能够制定更加有效的治疗方案，从而改善患者的预后。人工智能在精准治疗中的应用包括药物选择和剂量优化。如通过AI模型预测药物相互作用和潜在不良反应，医师可以制定更加安全、高效的治疗方案^[19]。此外，AI还可用于优化非药物治疗策略，如手术时机判断或康复计划设计，从而进一步提高疗效^[21]。

6 CanMEDS框架在急诊医学中的应用

CanMEDS框架为全球医师胜任力提供了多角色指引，急诊医学作为高压力、高风险环境，尤需将框架中的核心理念落实到实践中。该框架提出7大核心角色，每个角色之间相互联系，形成了一个复杂的、动态的职业能力体系，这对急诊医师的全面发展至关重要。①医学专家：在有限时间内迅速应用深厚知识和临床经验完成诊断与治疗^[22]；②沟通者：在紧张环境中，清晰传递信息并妥善管理患者期望，减少误解和纠纷^[23]；③合作者：协调多学科团队，高效利用资源优化患者全流程管理^[24]；④领导者：在突发公共卫生事件或重大事故中，展示领导力与决策能力，确保团队高效运转^[25]；⑤健康倡导者：推动疾病预防与健康教育，提升社区卫生水平^[26]；⑥学者：需具备持续学习、批判性评价医学信息、教学和研究能力，以推动医学知识的创造、整合和应用^[27]；⑦专业人士：在临床实践中始终展现高尚的职业道德、责任感、诚信和对患者、同事及社会的承诺。基于CanMEDS框架的胜任力模型，可为我国急诊医师提供全面发展的参考方向，并结合我国实践逐步构建适应本地需求的能力评价体系^[28]。

7 构建基于CanMEDS的本土化培训与评价体系

CanMEDS框架虽提供了全面的理论指导，但该理论在我国急诊医师培养中的推广仍需具体的、可操作的实践策略。为将抽象的胜任力要求转化为医师的实际能力，必须构建与国情和临床一线需求相结合的本土化培训与评价体系。Lörwald等^[29]指出，工作场所形成性评价（workplace-based assessment, WBA）成功与否受到组织文化、工作结构、评估工具和用户本身四个维度的影响，提示我们需要系统性地设计培训和评价方案。

首先，在培训策略上，应大力推行基于“模拟”的跨专业团队训练。通过构建高保真模拟场景，如群体伤亡事件、复杂心肺复苏或急性中毒处置，让急诊医师、护士、麻醉师等角色共同参与，不仅能锤炼临床决策和操作技能，更能显著提升在高压力环境下的沟通与团队协作能力。其次，应广泛采用WBA进行培训评价。WBA常用迷你临床演练评估（Mini-Clinical Evaluation Exercise，Mini-CEX）、直接观察操作技能评估（Direct Observation of Procedural Skills, DOPS）、病例讨论评估（Case-based Discussion，CbD）以及360度评估（Multi-source Feedback, MSF）等工具有效促进学习。一项系统回顾和荟萃分析表明，实施这些工具与教育成果的积极影响相关联^[30]。Chang等在台湾地区的急诊医学住院医师培训中成功实施了Mini-CEX，尽管评估者资历和专业背景会对评分产生影响，但该工具在评估临床能力方面仍被认为具有一定可行性^[31]。WBA的核心价值在于提供即时、具体的反馈，这为评估“学者”角色的临床推理能力和“专业人士”的责任心与同理心提供了客观依据。此外，针对“健康倡导者”和“领导者”等不易量化的角色，可引入反思性实践作品集（Reflective Portfolio，RP）和MSF。RP通过记录医师对临床行为、决策与患者结果的系统反思，促进其识别健康不平等、反思价值偏见、落实改善行动，并在持续自我评估中强化专业成长与社会责任意识。MSF通过收集上级、同事、护士、患者及行政人员的匿名反馈，综合评价医师在沟通、协作、倡导与职业素养等方面的表现。其在“健康倡导者”角色中，重点考察医师对患者社会文化背景的尊重、资源争取与权益维护、团队内健康公平的推动以及公共健康与社会责任的实践^[32]。

8 人工智能应用的局限性

人工智能辅助医疗不仅是技术问题，更是关乎医疗公平、患者安全和医师责任的严肃议题。因此，在拥抱人工智能技术带来的巨大机遇时，对其潜在的风险与伦理挑战应保持清醒认识。第一，算法偏倚（Algorithmic Bias）是AI在医疗领域应用的核心风险之一，类似医学统计学中“选择偏倚”的概念，即由于研究对象的选择方式不当，导致入选研究的样本与未入选样本在某些特征上存在系统性差异，从而使得研究结果偏离真实情况的一种偏倚。AI模型的性能高度依赖于训练数据的质量和代表性。若训练数据集中存在特定人群（如少数族裔、女性）的数据不足或偏差，模型可能对这些人群做出不准确的预测^[33]。Obermeyer等发现，美国一用于预测高风险患者的商业算法，因使用“医疗花费”作为判断疾病严重程度的指标，造成对医疗支出相对较低的非裔美国人得出偏低的疾病风险评估结果^[34]。第二，医疗数据隐私安全构成另一重大挑战。AI诊疗过程涉及大量高度敏感的个人健康信息（PHI）。如何确保数据在采集、传输、存储和分析过程中的安全，防止数据泄露和滥用，是医疗机构和技术开发者必须遵守的法律与伦理底线^[35]。第三，虽然在方法学上，对于简单的机器学习算法已有相应“黑箱”机制解释，如“SHAPE解释”，其揭示组成预测模型的不同特征在影响算法预测能力中的权重。但仍有许多先进的深度学习模型如同一个“黑箱”，其决策过程缺乏透明度和可解释性，在算力并不充足的当下，AI给出一个诊疗建议时，如果医师无法理解其背后的逻辑，就难以采纳。此外，当基于AI建议的决策导致不良后果时，责任归属变得模糊：信赖AI的医师，开发算法的工程师，还是批准该软件的医疗机构应承担责任？建立清晰的问责机制是AI安全融入临床实践的前提^[36]。

9 展望

随着医学知识更新速度的加快与临床环境的复杂化，传统继续医学教育（Continuing Medical Education，CME）模式正面临转型压力。长期以来，我国CME普遍存在知识传递碎片化、线上学习实践性不足、评估结果形式化等问题，导致“学用脱节”，培训难以转化为实际能力。与此同时，受众结构也在发生变化。越来越多来自地市级或县级医院的中坚医师（从业5–15年）成为CME的主体，他们既承担繁重的临床工作，又缺乏系统的能力反馈与持续成长机制。对于这类群体而言，如何在有限的时间和资源条件下获得“高效、有回报”的教育体验，是当前继续医学教育的关键命题。

未来的CME应当从“知识授予”向“能力塑造”转变，构建以CanMEDS胜任力框架为导向、以人工智能（AI）驱动为支撑的精准化学习体系。首先，应依托AI技术构建“个性化能力画像”，通过分析学习者的工作年资、专业领域、地域背景及以往评估记录等方面，识别其在CanMEDS七大角色中的能力短板，并智能匹配学习路径，从而实现学习内容的精准推送与动态优化^[37]。其次，应将AI与高保真模拟教学相结合，开发“智能交互式情境训练”。学习者可在AI模拟的危机场景中进行多学科协作与临床决策演练，系统依据其行为数据实时标注对应的CanMEDS角色维度，如“沟通者”“领导者”“健康倡导者”等，实现理论框架与实践行为的即时映射^{[38, 39]}。第三，应建立“数据驱动的胜任力成长闭环”，将Mini-CEX、DOPS、CbD及MSF等工作场所评价结果汇入AI平台，通过纵向数据分析可视化展示医师在不同胜任力维度上的成长轨迹，并通过算法预测学习衰退风险，自动推送强化模块^[40]。

通过AI与CanMEDS框架的结合，CME可以实现从“被动学习”到“主动成长”、从“标准化课程”到“个性化赋能”的转型。对于基层与中级职称医生而言，这种“伴随式学习系统”不仅可缩短知识更新滞后带来的学习低效，还能在实际工作场景中持续提升临床推理、团队协作与健康倡导能力，从而最大化收获教育投入的实践收益。展望未来，若能在国家或区域层面建立基于AI与CanMEDS的胜任力教育平台，实现培训内容、评估结果与继续教育学分的互通共享，将有望推动我国继续医学教育体系从“量的积累”迈向“质的跃升”。

利益冲突  所有作者声明无利益冲突