深度解析医学证据，lxfs.net为你支撑决策

1 导 读

医院感染（healthcare-associated infection， HAI）是全球面临的一项严峻公共卫生挑战，不仅显著增加患者的发病率和病死率，延长住院时间，还给医疗卫生系统带来沉重的经济负担。有效的HAI监测是保障医疗质量与患者安全的基石。然而，我国现行监测模式依赖感染控制（感控）专职人员手工回顾病历，存在经验依赖性强、判读变异大、漏报风险高等缺陷。随着人工智能（artificial intelligence， AI）技术的飞速发展，特别是以DeepSeek为代表的大语言模型在医疗领域的成功应用，为实现 HAI 智能判定提供了新路径。目前，国内尚未见基于DeepSeek大语言模型及整合多源数据的HAI智能系统的相关报道。此外，其与资深感控专员判定的头对头效能对比研究仍属空白。因此，本研究旨在构建并验证基于DeepSeek的HAI智能判定系统（以下简称AI系统），并评估其与传统单人判定模式的效能差异，以期为AI技术赋能医院感控实践及提升监测效率与质量提供可靠的循证依据。

基于DeepSeek的医院感染智能判定系统构建及效能评价

作者：范鹏超，高华聪，王倩，刘欣奕，刘文芝

单位：大连医科大学附属第二医院疾病预防与医院感染控制部

摘要

目的 构建基于DeepSeek大语言模型的医院感染（HAI）智能判定系统，评估其与传统单人判定模式的效能差异。

方法 采用单中心回顾性研究，纳入大连医科大学附属第二医院2025年1—6月的出院病历，以5名资深感染控制专家盲法共识为金标准判定是否为HAI，比较人工智能（AI）系统与单人判定在灵敏度、特异度、准确率、曲线下面积（AUC）及Kappa值等方面的差异，并进行感染部位亚组分析和错误类型归纳。

结果 根据专家金标准判定，本研究HAI阳性136例、阴性184例。效能对比显示，AI系统在各效能指标上均优于单人判定：灵敏度（92.6% VS 84.6%）、准确率（93.8% VS 89.1%）、AUC（0.976 VS 0.897）及Kappa值（0.869 VS 0.776），差异均具有统计学意义（均P<0.05）。AI系统对不同感染部位的灵敏度均维持在94%以上，尤其在血流感染中明显优于人工（94.7% VS 73.7%，P=0.044）。错误类型分析表明，AI误判主要源于非典型临床表现，而人工漏报多因病历阅读疏忽所致。

结论 基于DeepSeek的HAI智能判定系统具有较高的判别效能与稳定性，能够显著提升HAI识别的灵敏度和标准化水平。“AI初筛-人工终审”的人机协同模式可作为HAI防控的智能化解决方案。

引文格式

范鹏超,高华聪,王倩,等.基于DeepSeek的医院感染智能判定系统构建及效能评价[J]. 中国感染控制杂志,2026,25(5):631-637. DOI:10.12138/j. issn.1671-9638.20262906.
FAN Pengchao, GAO Huacong, WANG Qian, et al. Construction and performance of DeepSeek-based artificial intelligence judgement system for healthcare-associated infection[J]. Chin J Infect Control, 2026,25(5):631-637. DOI:10.12138/j. issn.1671-9638.20262906.

阅读全文

小提示：本篇资讯仅在梅斯医学APP中开放阅读，请扫描二维码直接下载APP