输血医学中人工智能的应用：应对临床采纳的挑战

人工智能（AI）和机器学习（ML）正日益被推广用于提升输血和患者血液管理，然而现实世界中的应用仍然罕见。我们回顾了近期报道前瞻性部署且与工作流程整合的典型研究，以考察AI/ML整合的转化特征、障碍和助推因素。至2025年6月18日，我们检索了PubMed和Web of Science自2022年1月以来的文章。在筛选1243条记录和审核31篇全文后，3项研究符合纳入标准。典型案例包括：（1）嵌入实验室的工具预测贫血成人的低铁蛋白，在21天部署期间识别了与输血前优化相关的额外缺铁；（2）面向患者的智能手机应用通过指甲图像估算血红蛋白，全国超过20万用户采用，具有贫血筛查潜力；（3）面向临床医师的智能手机决策支持工具预测创伤复苏需求，在5个中心试点，具有可接受的可行性和用户满意度，适用于输血密集环境。共同助推因素包括与临床需求的一致性、利用现有数据基础设施、可解释的基于树的模型以及早期利益相关者参与。持续存在的障碍是数据质量与治理、有限的普适性以及缺乏经济评估。重要的是，没有任何研究显示临床结局或成本的改善。为实现临床采纳，AI工具必须融入常规工作流程，具备明确的安全、监控和监管计划。未来研究应从一开始就应用实施框架，评估对输血实践和结果的下游影响，并优先考虑可扩展的方法，如实验室嵌入分析、互操作的决策支持和以患者为中心的数字工具。