解读血小板曲线：AI 如何提升登革热分诊

登革热往往不会在初诊时露出真容。危险在于那个转折——通常在发病第三到第七天之间的狭窄窗口期，一位看似稳定的患者开始出现血浆渗漏，滑向休克。及早、并且大规模地读懂这个转折，是热带医学中较难的问题之一。这也正是机器学习能够发挥作用的地方。

信号藏在轨迹里

单次血小板计数说明不了什么，轨迹却几乎说明了一切。当登革热进入危重期，血小板下降、红细胞压积上升——这是血浆渗出血管的成对特征。临床医生解读这些曲线已有数十年；难点从来不在于知道要看什么，而在于能否足够仔细地观察足够多的患者——在疫情高峰期，一间病房一天可能接收数百人。

高负荷下分诊为何失灵

在平常的一周里，经验丰富的医生能很好地为登革热分诊。而在创纪录的高发季，同一位医生一天就要看完平时一个月的患者量。预警征象既细微又是连续的——它们存在于昨天与今天血检结果的变化之中，而非任何单一结果里。这恰恰是一个校准良好的模型能够胜任的模式：对每一位患者，始终如一，不知疲倦。

是决策支持，而非判决

我们正在构建的工具会读取血小板与红细胞压积的轨迹，结合常规临床输入，标记出曲线与此后恶化者相似的患者。它是第二双眼睛，而非替代第一双——而且它训练所用的数据，来自登革热真正高发的地区，而非大多数模型继承自西方医院的数据集。首个临床成果目标为 2026 年 12 月 [目标]。

模型无法为患者做体格检查，也绝不应假装可以。它会漏掉那个“看起来不对劲、却没有任何化验能捕捉”的孩子。它的职责更为狭窄，也值得做好：让危险的趋势及早显现，从而让医生的判断更快地抵达最需要的患者。