FDA批准约翰霍普金斯大学研发的首个AI脓毒症早期预警系统
美国食品药品监督管理局已批准约翰霍普金斯大学开发的TRWS系统。该人工智能比医生提前2-48小时检测出脓毒症，在美国数十家诊所中将这种并发症的死亡率降低了近20%。
深度分析：约翰霍普金斯大学与Bayesian Health如何改写脓毒症筛查标准，而Epic和Cerner正努力追赶
核心要点：真实情况
2026年5月12日，FDA授予约翰霍普金斯大学开发、Bayesian Health商业化的目标实时早期预警系统（TREWS）510(k)许可。乍一看，这只是又一个AI获批。实际上，这是全球首个获得FDA批准的预怀疑筛查工具——在医生甚至怀疑之前就检测出脓毒症。
为何这是颠覆性的。 现有的筛查系统——qSOFA、SIRS、NEWS、MEWS——仅在医生将脓毒症怀疑录入电子病历后才起作用。这意味着已经损失了数小时。每延迟治疗一小时，生存率降低7.6-8%。TREWS的工作方式不同：它持续分析完整的数据流——生命体征、实验室检查、用药、医生记录——并在临床医生开始怀疑之前2-48小时发出警告。
数据不言自明：2022年发表在《自然·医学》上的一项研究涉及五家医院的764,707例病例，显示对警报的及时响应可将脓毒症死亡率降低18%。灵敏度为82%。这并非回顾性分析，而是来自真实世界使用的前瞻性数据。
但新闻稿未提及三件事，它们将决定TREWS是成为标准还是又一个被遗忘的AI玩具。
时间线与背景
TREWS背后的故事。 TREWS是个人化的。约翰霍普金斯大学教授、AI与医疗实验室主任Suchi Saria在2017年失去侄子后开始研发。这不是一个抽象的学术项目——而是一项使命。她花了数年时间将实验室成果转化为能够处理医院混乱真实世界数据的临床系统。
关键里程碑：
- 2022年 —— 在《自然·医学》上发表包含764,000名患者数据的研究
- 2023年 —— FDA授予突破性设备认定
- 2023年 —— 在克利夫兰诊所、MemorialCare（加利福尼亚州）、罗切斯特大学医学院试点实施
- 2026年5月12日 —— FDA 510(k)许可（首个此类许可）
- 2026年8月 —— 预计CMS NTAP（新技术附加支付）决定
Bayesian Health是谁。 该公司由Saria创立，旨在将技术商业化。这是一个罕见的学术衍生公司，在争取监管批准的同时保持科学严谨性。该系统与现有电子病历集成，并持续对患者病情演变进行“推理”，而非基于偶发规则触发。
什么是510(k)及其重要性。 这不是通过PDUFA的完全批准，而是基于与现有设备“实质性等同”的上市许可。510(k)是更快的途径，但并未提供与de novo或PMA相同级别的验证。尽管如此，对于脓毒症AI工具而言，这是首个先例，并为所有后续系统创建了监管路径。
谁赢谁输
赢家#1：Suchi Saria和Bayesian Health。 该公司现在可以在FDA许可的保护下在美国销售该系统。不仅仅是“我们构建了一个AI”——而是“我们拥有监管许可，而竞争对手没有”。此外，CMS NTAP（2026年8月决定）将为医院提供额外报销，降低采用的经济障碍。市场估计：脓毒症每年在美国导致25万患者死亡，住院费用超过5000亿美元。Bayesian Health可能在2-3年内价值数亿美元。
赢家#2：约翰霍普金斯大学。 该大学将从商业化中获得版税。但更重要的是声誉。约翰霍普金斯大学现已正式创建了全球首个FDA批准的预怀疑脓毒症筛查AI。这是未来多年的营销和招聘资产。
赢家#3：已实施该系统的医院。 克利夫兰诊所、MemorialCare和罗切斯特大学拥有先发优势。他们已知道如何将TREWS整合到工作流程中，培训了员工，并拥有死亡率降低的数据。当其他医院刚开始实施时，这些医院将领先2-3年。
输家#1：传统电子病历筛查（qSOFA、SIRS、MEWS）。 这些系统几十年来一直是标准。但它们需要手动输入，且仅在怀疑后触发。TREWS使它们过时。问题不是“它们会被取代吗？”而是“何时？”
输家#2：Epic和Cerner（现为Oracle Health）。 这些电子病历巨头也在开发AI工具。Epic有其脓毒症模型，但缺乏FDA许可，且在前瞻性研究中的有效性尚未得到证实。现在任何实施TREWS的医院都会将其与Epic的内置模型进行比较。如果TREWS显示18%的死亡率降低而Epic没有，医院CIO将开始提出棘手问题。
隐性输家：其他脓毒症AI初创公司。 Mednition的KATE AI拥有突破性设备认定，但尚未获得FDA许可。Isansys Lifecare大约10年前获得了患者状态引擎的许可，但那是可穿戴设备，而非连续监测AI工具。现在Bayesian是第一个——其他所有公司都将与之比较。投资者会问：“为什么Bayesian获得许可时你们没有？”这是个合理的问题。
媒体未提及的内容
洞察#1. 18%的死亡率降低是在“及时响应”的情况下，而非真实世界。
这是一个在标题中消失的关键细微差别。在2022年的研究中，18%的死亡率降低仅在临床医生对警报做出响应的情况下观察到。在现实生活中，医生有时会忽略AI警报。警报疲劳是已知问题。如果假阳性率高（特异性未在公开来源中披露，仅灵敏度为82%），医生将开始禁用系统或忽略它。
这对真实世界实施意味着什么：Bayesian Health不仅需要销售系统，还需要提供培训和变革管理。他们需要证明在标准使用（而非理想研究条件）下死亡率降低仍然成立。否则，为系统付费的医院可能看不到预期的投资回报率。
洞察#2. 510(k)许可≠FDA眼中的临床验证。
510(k)仅意味着TREWS与市场上现有设备“实质性等同”。FDA并未对临床有效性进行独立评估。他们只是将其与一个谓词设备进行了比较。哪个设备？未披露，但可能是一些基于规则的警报系统。
这意味着FDA并未确认18%的死亡率降低。 他们仅确认该系统在技术上可行且不构成不合理风险。临床数据是《自然·医学》研究的成果，而非FDA的。在营销材料中，这将被混淆：“FDA许可的系统，在临床研究中显示18%的死亡率降低。”技术上正确，但消费者（医院）可能认为FDA验证了这些数字。事实并非如此。
洞察#3. 领先时间偏倚问题仍未解决。
该系统提前2-48小时检测出脓毒症。这听起来像是一个优势。但部分“早期检测”可能被解释为AI只是标记了尚未临床发展为脓毒症且永远不会发展的患者（假阳性），或患有其他病理的患者。
该研究并非随机分为“系统开启”与“系统关闭”。设计是务实的：实施系统并比较实施前后的结果。这比随机对照试验的设计更弱。存在结果改善可能由其他因素（员工培训、更好的文档记录）而非仅AI导致的风险。
对TREWS的真正考验将是有人进行一项交叉设计的整群随机试验。到目前为止，尚无此类数据。
洞察#4. CMS NTAP并非万能药。
NTAP提供高达技术成本65%的额外支付（但每例不超过2,150美元）。这不错，但不足以覆盖普通医院10万美元以上的许可费。大多数医院仍需从运营支出中寻找预算。CMS决定预计在2026年8月。即使积极，低利润医院（农村医院、安全网医院）可能仍负担不起该系统。
预测：未来30天和90天
30天（2026年6月）：
- Bayesian Health将开始积极销售。 他们的目标名单是按患者量排名前200的美国医院。首批合同最早可能在6月宣布。关注新闻稿：HCA Healthcare？Kaiser Permanente？如果这些巨头中任何一个签约，Bayesian的股票（如果上市）将飙升。
- 预计将发布真实世界有效性数据。 Bayesian拥有2023-2025年来自克利夫兰诊所和MemorialCare的未发布数据。可能在6月或7月的重症监护医学学会会议上展示。如果这些数据显示常规实践中死亡率降低持续超过15%，将对怀疑者发出强烈信号。
- Epic和Cerner将做出反应。 他们将发布关于其AI模型的新闻稿，可能宣布FDA提交。但510(k)过程需要6-12个月。Bayesian至少领先一年。
90天（2026年8月）：
- CMS NTAP决定是关键事件。积极决定的概率：70-80%。如果NTAP获批，Bayesian将获得一个有力的销售论点：“您可以获得额外报销，部分抵消成本。”如果NTAP被拒，销售将放缓，Bayesian将不得不降价或寻求替代支付模式（基于价值、按床位订阅）。
- 至少会有一起关于“错误警报”的诉讼。 对于任何影响临床决策的AI系统，这是不可避免的。想象一下：患者死于脓毒症，系统未发出警报，家属起诉医院和Bayesian。或者相反：系统发出错误警报，给予不必要的抗生素，患者出现过敏反应——诉讼。Bayesian的法律部门可能正在加班。
- 首个独立验证TREWS的研究将由非Bayesian附属的团队发表。可能来自梅奥诊所或Intermountain Healthcare，在其自身数据上测试该系统。如果独立验证显示灵敏度低于70%或没有死亡率降低，对Bayesian将是灾难。因此，他们将非常谨慎地选择谁可以访问数据。
12-24个月内的主要风险： 采用失败。即使是最好的AI，如果医生忽略它也无用。实施TREWS需要文化变革：医生必须信任AI，响应警报，且不禁用系统。在2022年的研究中，2,000多名提供者中的采用率达到89%。这令人印象深刻。但该研究是在学术中心进行的，医生积极性高。在商业医院，员工过度劳累，采用率可能降至50%。Bayesian知道这一点，并可能正在为每个目标医院开发培训项目和“变革倡导者”。
但现在，在2026年5月，Suchi Saria和她的团队完成了其他人未做到的事：他们获得了FDA许可，用于一个在医生怀疑之前发现脓毒症的AI。他们通过花费数年进行临床验证做到了这一点，而不仅仅是“我们构建了一个AUC为0.95的模型”。这是对整个行业的教训：监管批准需要真实的患者结局，而不仅仅是测试数据上的指标。
— Editorial Team
