让 AI 介入 911 紧急呼叫预分诊真的能提高抢救成功率吗

在极端灾难或突发事故导致呼叫量激增的场景下，911 调度中心最致命的问题不是缺乏专业人员，而是由于呼叫积压（Backlog）导致的“排队死亡”。当成百上千个电话同时涌入，而调度员数量有限时，传统的先到先得机制会让心脏骤停的患者在队列中等待，而此时排在前面的可能只是一个报修水管漏水的求助者。在这种高压环境下，引入 AI 进行预分诊（Triage）的逻辑并非替代人类做决策，而是构建一个极速的“优先级过滤漏斗”。

以纽奥良目前的部署实践来看，其核心是通过自然语言处理（NLP）在毫秒级时间内对音频转写文本进行语义分析。在技术实现上，这其实是一个典型的实时分类工作流。系统需要将输入的语音流实时转化为文本，并迅速将其映射到不同的优先级等级中。如果将这个逻辑抽象成一个可执行的 Prompt 提示词，其结构必须极其严苛，以避免 AI 产生幻觉或模糊判定。

一个典型的生产级分级指令集应该是这样的：
首先定义角色为 Emergency Call Triage System，任务是将 911 音频转写内容分类。优先级被严格划分为四个等级：P0（即时威胁，如心脏骤停、活跃暴力事件）、P1（紧急，如严重受伤、有人员被困的火灾）、P2（标准，如非致命事故、财产损失）以及 P3（低优先级，如噪音投诉、行政咨询）。为了确保结果可追溯，输出格式必须固定为 [Priority Level] | [Key Reason] | [Urgency Score 1-10]。

这种设计最关键的细节在于 Urgency Score（紧急程度评分）。通过 1-10 的量化评分，系统可以为调度员提供一个直观的视觉权重。当调度员面对积压的呼叫列表时，AI 标记为 P0 且分数为 10 的电话会瞬间置顶，从而将原本需要数分钟的排队等待时间压缩到几秒钟。在急救医学中，这种 5 到 10 秒的确认时间差，往往就是决定大脑缺氧程度或抢救成功率的关键。

然而，在实操部署中，最令工程师头疼的是“含糊信号”的误判。很多求救者在极度恐慌中无法清晰表达，或者由于环境嘈杂导致 ASR（自动语音识别）出现错误。如果 AI 将一个含糊但致命的求救信号错误地判定为 P2 或 P3，其后果是不可承受的。因此，纽奥良方案的精髓在于将 AI 定义为“辅助过滤层”而非“最终决策层”。AI 的作用是建议优先级，而最终的资源调度权依然在人类调度员手中。

从系统架构上看，这种“AI 预筛 + 人员调度”的混合模式实际上是在解决资源错配问题。它将调度员从繁琐的低优先级筛选中解放出来，让他们把全部注意力集中在 P0 和 P1 级别的危机处理上。如果这种模式能在更多城市跑通，未来的应急响应系统将不再是一个简单的电话交换机，而是一个具备实时感知能力、能动态调整资源分配权重的智能调度中枢。在这种生死时速的场景下，AI 的价值不再是提供完美的答案，而是在海量噪声中快速标记出那个最需要被救的人。