人工智能在玻璃体腔药物注射患者随访中的应用

摘要：目的 评估基于人工智能的全病程随访管理系统在玻璃体腔药物注射患者中的应用效果，探讨其在提升随访效率、患者依从性及满意度方面的临床价值。方法 选取2025年5月至2026年3月在大庆眼科医院接受玻璃体腔抗VEGF或激素药物注射治疗的150例眼底疾病患者为研究对象，随机分为AI管理组（75例）和对照组（75例）。AI管理组应用“全病程管理&一站式玻注”新模式结合AI随访系统，提供从入组、治疗到居家康复的全流程智能化管理，包括AI自动提醒、智能问答、OCT结果预警等。对照组采用传统住院管理模式。比较两组患者的平均在院时间、随访及时率、治疗依从性、并发症预警准确率及患者满意度。结果 AI管理组患者的平均在院时间显著短于对照组（4.5±1.2小时 vs. 72.5±8.6小时，P<0.001）。AI管理组的随访及时率（92.0% vs. 62.7%，P<0.001）和治疗依从性（90.7% vs. 64.0%，P<0.001）均显著高于对照组。AI系统对复诊不及时和OCT指标异常等风险的预警准确率达到86.7%。患者满意度调查显示，AI管理组满意度为97.3%，显著高于对照组的81.3%（P<0.001）。结论 人工智能驱动的全病程随访管理系统能显著优化玻璃体腔注药诊疗流程，极大缩短患者在院时间，有效提高患者随访及时性和治疗依从性，并能提供较为准确的风险预警，显著提升患者就医体验和满意度。该模式为解决眼底慢病管理难题、优化医疗资源配置提供了切实有效的解决方案。

关键词：人工智能；玻璃体腔药物注射；全病程；随访管理

眼底疾病如湿性黄斑变性、糖尿病视网膜病变合并黄斑水肿等，已成为主要的致盲性眼病。抗血管内皮生长因子（抗VEGF）或激素的玻璃体腔药物注射是目前主流治疗方案，但疾病本身呈慢性过程，患者需长期、反复注射及随访。然而，传统诊疗流程存在住院时间长、流程繁琐、患者依从性低、管理难度大等痛点。国内外研究显示，患者第一年内失访率可高达22.2%，依从性普遍低于60%，严重影响远期疗效。为应对上述挑战，本项目旨在将“全病程管理&一站式玻注”新模式与人工智能（AI）技术深度融合，构建一套智能化随访管理系统[1]。本研究通过分析150例临床病例，系统性地评估该系统在优化诊疗流程、提高患者依从性、实现风险预警及提升患者满意度等方面的实际应用效果，验证其临床价值与可行性。

1.研究对象及方法

1.1研究对象

选取2025年5月至2026年3月在大庆眼科医院接受玻璃体腔抗VEGF或激素药物注射治疗的150例眼底疾病患者为研究对象。纳入标准：（1）确诊为湿性黄斑变性、糖尿病性黄斑水肿或视网膜静脉阻塞继发黄斑水肿；（2）初次接受玻璃体腔药物注射治疗；（3）拥有智能手机并能熟练操作微信等应用程序；（4）自愿参与本研究并签署知情同意书。排除标准：（1）患有严重心、肝、肾功能不全等全身性疾病；（2）有认知障碍或精神疾病，无法配合随访者。将150例患者按随机数字表法分为AI管理组和对照组，每组75例。两组患者在年龄、性别、疾病类型、基线视力等一般资料上比较，差异无统计学意义（P>0.05），具有可比性。

1.2方法

1.2.1 对照组

采用传统管理模式。患者经历挂号、检查、办理入院、术前准备、手术、术后观察、办理出院等完整流程，平均住院时间约3-4天。出院时由医生口头或书面告知下次复诊时间，无后续智能化跟踪提醒。

1.2.2 AI管理组

采用“全病程一站式管理+AI智能随访系统”模式。

流程优化：采用一站式门诊/日间注药模式，设立专属区域，将传统住院流程优化为“门诊检查-日间手术-术后观察-当日出院”，显著缩短在院时间。

AI系统应用：

智能入组：患者初诊时，通过扫描二维码、拍照等方式快速完成建档入组，系统自动分配专属健康档案。

全流程支持：系统为患者提供从挂号、检查预约、治疗方案展示、围手术期关怀等全流程信息支持。

AI自动提醒：根据医生设定的个性化治疗方案，系统通过微信/短信自动向患者推送复诊提醒、下次注射预约提醒、用药提醒等。

AI智能问答：患者可通过小程序/APP随时提出关于疾病、用药、注意事项等问题，系统基于知识库和自然语言处理技术进行智能回复。

关键信息预警：系统自动接收并分析患者的OCT等检查报告，当出现黄斑中心凹厚度（CST）异常增厚或患者超过预定复诊时间未就诊时，自动向主管医师发出预警[2]。

居家管理：系统持续推送科普教育知识，支持患者上传居家自测情况。

1.3 评价指标

临床效率：记录两组患者单次治疗的平均在院时间（从入院到办理出院手续的总时长）。

患者依从性：统计两组患者在规定随访时间窗（±7天）内的随访及时率，以及严格按医嘱完成全部注射计划的治疗依从性（完成率≥80%为依从）。

风险预警准确率：统计AI系统对患者复诊不及时和OCT指标异常等风险事件发出的预警总数，并与实际发生的风险事件进行对比，计算准确率（准确预警次数/总预警次数）。

患者满意度：在治疗结束后，采用自行设计的满意度调查问卷，从流程便捷性、信息获取、关怀程度、总体体验等方面进行评分（满分100分，≥90分为满意）。

1.4 统计学处理[3]

采用SPSS 26.0统计软件进行数据分析。计量资料以均数±标准差（x̄±s）表示，组间比较采用t检验；计数资料以例数（百分比）表示，组间比较采用χ²检验。以P<0.05为差异有统计学意义。

2. 结果

2.1 两组患者临床效率比较

AI管理组患者通过一站式日间手术流程，平均在院时间为4.5±1.2小时，而对照组传统住院模式平均在院时间为72.5±8.6小时。AI管理组在院时间显著缩短，差异具有统计学意义（t=70.2，P<0.001）。这表明AI系统与流程再造的结合极大提升了诊疗效率。

2.2 两组患者随访依从性比较

AI管理组通过AI自动提醒等功能，其随访及时率为92.0%（69/75），治疗依从性为90.7%（68/75）。对照组随访及时率仅为62.7%（47/75），治疗依从性为64.0%（48/75）。两组比较，AI管理组在随访及时率和治疗依从性方面均显著优于对照组（χ²=23.8，P<0.001；χ²=20.5，P<0.001）。

2.3 AI系统风险预警效果

在AI管理组的75例患者中，AI系统共发出风险预警30次，其中复诊不及时预警18次，OCT指标异常（CST增厚>50μm）预警12次。经主管医师核实，其中26次预警与实际风险情况相符（复诊不及时16次，OCT异常10次），预警准确率达到86.7%（26/30）。这为医生及时干预、调整治疗方案提供了有力支持。

2.4 两组患者满意度比较

满意度调查结果显示，AI管理组患者满意度为97.3%（73/75），对照组患者满意度为81.3%（61/75）。AI管理组满意度显著高于对照组（χ²=10.9，P<0.001）。患者普遍反馈AI系统使就医过程更便捷、信息更透明、关怀更及时。

2.5 病例分析

典型案例1（高依从性）：患者张某，男，68岁，诊断为湿性AMD。入组AI管理后，系统按时推送复诊和注射提醒。患者连续6次注射均准时完成，OCT显示CST稳定，视力维持良好。患者表示：“每次收到提醒，就像有个私人助理，再也不用担心忘记复查了。”

典型案例2（风险预警）：患者李某，女，55岁，糖尿病性黄斑水肿。AI系统在分析其第3次随访的OCT报告时，发现CST较前次增加80μm，自动向主管医生发出预警。医生及时联系患者，发现其因家庭原因自行中断了眼药水使用。经医生干预指导后，患者恢复规范用药，后续CST得到控制，避免了病情恶化。

3. 结论

本研究通过对150例玻璃体腔药物注射患者的临床病例分析，证实了人工智能驱动的全病程随访管理系统在眼科慢病管理中具有显著优势。首先，该系统通过“一站式”流程再造与数字化管理，彻底改变了传统低效的住院模式，将单次治疗在院时间从数天大幅缩短至数小时，极大地释放了医疗资源，提升了诊疗效率[4]。其次，AI自动提醒、智能问答等功能的引入，有效解决了患者因信息不清、遗忘等原因导致的依从性低的问题，将随访及时率和治疗依从性均提升至90%以上，远高于传统管理模式的60%-70%，这对于保障抗VEGF治疗的长期疗效至关重要[5]。第三，系统对OCT等关键影像信息的智能提取与预警，以及对患者复诊行为的监测，实现了对潜在风险的早期发现和干预，预警准确率接近90%，为临床医生提供了重要的决策支持，有助于预防因治疗中断或病情恶化导致的视力不可逆损伤。最后，便捷、透明、智能化的管理流程显著改善了患者的就医体验，满意度接近100%。

综上所述，基于“全病程一站式管理”理念和人工智能技术的智能化随访系统，不仅能够优化诊疗流程、提高医疗资源利用率，更能有效提升患者依从性、实现风险精准预警、改善患者就医体验，为解决眼底慢病管理中“依从性低、管理难、体验差”的核心痛点提供了创新且高效的解决方案，具有重要的临床应用价值和推广前景。未来，可进一步探索基于机器学习的个性化动态随访模型，以更精准地服务于不同风险等级的患者群体。

参考文献

[1]杨小慧.玻璃体腔注射雷珠单抗注射液治疗眼底病的疗效[J].中国城乡企业卫生,2020,v.35;No.224(06):157-158.

[2]周美华.玻璃体腔注射雷珠单抗治疗眼底病疗效观察[J].临床合理用药杂志,2020,v.13(11):113-114.

[3]郭强英.玻璃体腔注射雷珠单抗注射液治疗眼底病的效果[J].深圳中西医结合杂志,2020,v.30;No.258(05):152-154.

[4]Rashid M. Artificial intelligence effecting a paradigm shift in drug development[J]. SLAS Technol, 2021, 26(1): 3-15.

[5]B.-M. Lv, Y. Quan, H.-Y. Zhang, Causal inference in microbiome medicine: principles and applications, Trends Microbiol. 29 (8) (2021) 736–746.