摘要目的:基于临床大语言模型,构建一种融合非结构化临床文本与结构化分诊信息的急诊分诊预测模型,用于急诊患者住院需求及危重结局的早期预测.方法:基于MIMIC-Ⅳ-ED数据库纳入成人急诊就诊记录,提取分诊阶段可获得的年龄、性别、6项生命体征(体温、心率、呼吸频率、血氧饱和度、收缩压和舒张压)及诊断文本信息.采用临床大语言模型ClinicalBERT对诊断文本进行语义特征编码,并与结构化分诊信息进行融合,构建预测模型ClinFusion.为评估ClinFusion模型的性能优势,在统一评估框架下与多种传统分诊工具及机器学习模型进行比较.结果:在住院需求预测任务中,ClinFusion模型的受试者工作特征曲线下面积(area under the receiver operating characteristic curve,AUROC)和精确率-召回率曲线下面积(area under the precision-recall curve,AUPRC)分别为0.896和0.885,均高于最优机器学习模型多层感知机(multi-layer perceptron,MLP)模型(AUROC和AUPRC分别为0.820和0.791),以及最优传统分诊工具急诊严重指数(emergency severity index,ESI)(AUROC和AUPRC分别为0.708和0.628).在危重结局预测任务中,ClinFusion模型的AUROC和AUPRC分别为0.915和0.541,均优于最优机器学习模型梯度提升模型(AUROC和AUPRC分别为0.881和0.398),以及最优传统分诊工具ESI(AUROC和AUPRC分别为0.806和0.199).结论:融合临床文本与分诊结构化信息的ClinFusion模型可显著提升急诊患者住院需求及危重结局的早期预测能力,为急诊智能分诊与临床决策支持提供了一种高效且可行的技术方案.