機器學習在護理領域中的應用研究進展

周麗娟 溫賢秀 蔣蓉 周黃源 曹亞雨 藍梅 吳海燕 呂琴 吳行偉 郭先一

(1.四川省醫學科學院 四川省人民醫院，四川 成都 610072;2.電子科技大學醫學院，四川 成都 611731;3.中國人民解放軍西部戰區總醫院,四川 成都 610095)

隨著醫療大數據的不斷積累，高性能計算設備的出現和機器學習算法的深入發展，人工智能技術被越來越多地應用在醫療領域。機器學習作為人工智能的核心技術，適用于各種類型的數據，既能處理變量間的非線性交互作用，又能提供跨復雜變量的分析解釋，并從海量數據中篩選出關鍵因素，獲得更穩健的預測分析模型[1-3]。該技術常用于病理診斷、臨床決策、風險預測等方面，其精準性、系統性、有效性已得到初步證實。機器學習在護理領域中的應用也越來越廣泛。本文從機器學習在不良事件和并發癥、康復護理、慢病管理、護理管理、心理護理及中醫護理等多個方面進行系統綜述，為我國臨床醫護人員提供數據挖掘的方向，也為機器學習技術應用于護理實踐提供借鑒。

1 機器學習概述

機器學習(machine learning)被解釋為“以經驗性方式自動優化學習的一種有效處理高維數據和改進程序性能的算法，且采用模擬人們學習的方法來完成學習過程”[4-5]。根據獲得標簽的情況和模型訓練方式的不同，機器學習常被分為：監督學習、無監督學習和強化學習[4-8]。常用的監督學習算法為樸素貝葉斯、logistic回歸、線性回歸、決策樹、隨機森林、支持向量機；常用的無監督學習有關聯分析、K均值聚類算法，主成分分析(principal component analysis，PCA)，特征選擇與稀疏學習；常用的增強學習算法為Q-學習(q-learning，Q-L)算法、自適應啟發評價(adaptive heuristic critic，AHC)算法、時間差分學習(temporal difference learning，TD learning)[9]。此外，深度學習(deep learning)是一種最先進的機器學習技術，在圖像識別，語音識別和自然語言處理方面表現出高度的精準性。其中監督學習最常被應用于醫療領域。

本文通過采用主題詞和自由詞結合的方式，對PubMed、Cochrane、Embase、中國期刊全文數據庫、維普中文科技期刊數據庫及萬方數據庫等數據庫進行系統檢索，系統總結了機器學習在護理領域應用的相關研究。檢索詞及文獻篩選流程見圖1和圖2(掃二維碼可見)。

2 機器學習在護理領域中的應用

2.1護理不良事件和并發癥 機器學習通過建立護理不良事件和并發癥的預測模型，識別出高危患者，及早實施個體化護理干預，可對降低不良事件和并發癥的發生起到積極作用。

2.1.1壓力性損傷 Alderden等[10]利用電子病歷系統(electronic medical record system，EMRS)收集6 376例患者的結構化數據，運用隨機森林算法，并根據壓力性損傷變量的重要性排序，將排序前5的預測變量：體質指數、血紅蛋白、肌酐、手術所需時間和年齡用于構建重癥監護患者壓力性損傷的預測模型。該模型ROC曲線下面積(AUC)為0.79，可早期預測重癥患者壓力性損傷的風險。Hu等[11]構建決策樹、logistic回歸和隨機森林3種模型用于預測住院患者壓力性損傷事件；其研究結果表明，皮膚完整性、收縮壓、表達能力、毛細血管充盈時間和意識水平是5個重要的預測變量；且隨機森林預測性能高于決策樹和logistic回歸，F1值為0.845(F1值越大，預測性能越好)。Chen等[12]基于人工神經網絡(artificial neural network，ANN)算法構建了心血管手術相關的壓力損傷(surgery related pressure injury，SRPI)模型。該模型可幫助護士識別壓力性損傷的高危患者,早期實施干預計劃，有效減少SRPI的發生。

2.1.2跌倒事件 Topaz等[13]以自然語言(natural language processing，NLP)和機器學習相融合的方式，通過提取護理記錄語料庫，判斷跌倒信息的分類能力，并創建臨床文本挖掘的Nimble Miner系統。該系統有望在無監督學習情況下，實現臨床文本健康數據挖掘，更適用于醫療實踐和研究需求。Ye等[14]回顧性分析電子病歷系統中157個跌倒潛在預測變量，最終以認知障礙、步態和平衡異常、帕金森氏癥、跌倒史和骨質疏松癥為主要預測因素，采用XGBoost算法構建患者未來一年中跌倒預測模型。由Delgado-escano等[15]提出的一種基于深度學習的跌倒預警模型，該模型以用戶原始的身體慣性信息作為輸入，采用多任務學習方法，實時執行跌倒檢測和人員身份識別任務；結果顯示，跌倒檢測的準確率超過98%，用戶身份識別的準確率為79.6%。

2.1.3低血壓事件 患者術中低血壓發作可導致不良預后，低血壓發生時間越長，嚴重并發癥發生的概率也越大[16]。使用機器學習算法建立前置性低血壓風險預警模型有助于降低術中低血壓發生風險。Hatib等[17]基于數千條動脈波形特征建立的機器學習模型可在術中低血壓事件發生前15 min作出預警，其靈敏度為88%，特異度為87%。Kendale等[18]以麻醉誘導開始后10 min內平均動脈壓低于55 mmHg(1 mmHg≈0.133 kPa)為結局指標，建立麻醉誘導后低血壓風險的機器學習模型，結果表明梯度增強算法性能最好，相關的陰性預測值和陽性預測值分別為19%和96%。

2.2康復護理 機器學習在康復護理中，被用于建立卒中、脊髓損傷、髖關節術后患者的認知、生活質量、日常活動能力及機體功能恢復情況方面的預警模型[19]，可為患者制定科學的康復計劃。

2.2.1卒中康復 Chae等[20]開發了一種智能穿戴設備和深度學習模式的上肢家庭康復系統，有望成為未來卒中患者家庭護理治療的一種實用且經濟的康復工具。Iwamoto等[21]基于分類回歸樹(classification and regression tree，CART)算法，建立預測腦卒中患者日常生活活動(activities of daily living，ADL)依賴性的臨床預測模型，其準確率為83%。Sale等[22]為探索卒中患者的炎性標志物作為預測變量的預測效果，使用支持向量機算法建立卒中患者運動和認知能力改善的機器學習模型，并從變量相關性、均方根誤差和平均絕對誤差百分率3個方面評價了模型性能。

2.2.2脊髓損傷康復 脊髓損傷的患者常有持續的功能、神經、認知能力的損害，日常活動能力需要長期監測及護理，有必要使用準確可靠的模型預測患者預后，從而提高患者的生活質量，促進個性化醫療的發展[23]。Devries等[24]利用無監督學習算法，以患者因素、年齡、脊髓損傷嚴重程度以及下肢運動和感覺評分來預測脊髓損傷患者1年后的獨立行走能力。Liao等[25]提出了一種基于深度學習的身體康復訓練質量自動評估框架。該框架由降維算法、性能度量、評分函數和深度學習模型組成；同時利用10個康復練習的數據集對所提出的框架進行了驗證，此項研究展示了深度學習模型在康復訓練評估中的潛力。

2.2.3髖部骨折康復 Cary等[26]使用logistic回歸和多層感知機模型對患者髖部骨折死亡率預后分析，且多層感知機(multi-layer perceptron，MLP)算法具有良好的校準性，可作為準確識別髖部骨折患者30 d和1年死亡率高風險預測工具。多模態信號分析在醫學康復領域應用日益廣泛，Prochazka等[27]對康復過程中心率傳感器和熱像儀采集的生理數據進行了模式識別和分析,采用機器學習和數字信號圖像處理的方法來評估身體活動中特定的生物醫學信號，為制定運動康復計劃提供依據。

2.3慢病管理 機器學習在慢病管理中，被用于建立疾病預后的預測模型，以減少慢病急性發作，降低患者再入院率，有效改善患者生活質量[28]。

2.3.1慢性阻塞性肺病 Mcheick等[29]應用貝葉斯網絡學習模型來預測慢性阻塞性肺病患者病情惡化的發生，該模型準確率為81.5%。Gawlitza等[30]使用均值預測、中位數預測、K近鄰(k nearest neighbor,KNN)、梯度增強和多層感知機這5種模型，根據定量計算機斷層掃描(CT)值預測肺功能參數。以呼吸狀態(吸氣、呼氣、增量)和參數(容積、最小管腔直徑(minimum lumen diameter，MLD)、左房容積(left atrial volume，LAV)和半值寬度(full width at half maximum，FWHM)作為每個模型的輸入，并以平均相對誤差評估模型預測效果。結果顯示，KNN模型的表現最佳。該模型可在合理的誤差范圍內根據靜態定量CT參數預測肺功能值。

2.3.2糖尿病 基于機器學習的臨床決策支持工具，學者對糖尿病前期、糖尿病患者住院風險以及2型糖尿病患者胰島素治療后的短期和長期糖化血紅蛋白的反應進行預測。De等[31]通過符合美國糖尿病協會指南對糖尿病前期進行定義的6 346名患者，利用4種重采樣方法和4種機器學習算法對糖尿病前期進行預測。該研究建立的4種模型均優于糖尿病前期的其他篩查工具(P<0.05)，可提高糖尿病前期預測的準確性。Nagaraj等[32]使用基礎糖化血紅蛋白和估計腎小球濾過率的彈性網絡正則化廣義線性模型預測胰島素治療后糖化血紅蛋白的反應，其預測性能良好。較為常見的深度學習算法——卷積神經網絡(convolutional neural network，CNN)已被用于糖尿病視網膜病變的自動化診斷[33]。Lociganic等[34]運用此算法在小樣本數據集上進行訓練，用于檢測和區分細微的眼部病變，并生成出血、微動脈瘤、滲出物、新生血管和視網膜正常外觀的病變特異性概率圖，該視網膜自動篩查的靈敏度和特異度分別為92.3%和93.7%。

2.4護理管理 機器學習算法對醫院人力資源、工作質量方面予以預測，以達精準管控，促進醫院高質量發展。急診科承擔著較大的門診壓力。為縮短患者平均停留時間，Yousefi等[35]提出了一種基于Agent仿真、機器學習和遺傳算法相結合的急診資源優化配置方法。該研究構建了8種不同的算法集成，其中AdaBoost集成前饋神經網絡(feed forward neural network，FFNN)、自適應神經模糊推理系統(adaptive neuro-fuzzy reasoning system，ANFIS)和遞歸神經網絡(recurrent neural network，RNN)性能最好，急診平均停留時間減少14%。韓國學者Yu等[36]以86 304例急診患者為研究對象，開發了基于機器學習的急診分診模型，其韓國分診敏感度量表(Koreatriage and acuity scale，KTAS)和相關器官衰竭評估(sequential related organ failure assessment，SOFA)指標可準確地預測患者臨床結局。Rojas等[37]以電子病歷系統中提取患者護理級別、護理評估、住院號、藥物、ICU干預、診斷測試、生命體征和實驗室結果作為增強機器學習模型中的預測變量，構建并驗證了ICU再入院的風險預測模型；結果顯示，機器學習衍生模型(AUC=0.76)的性能明顯優于工作量指數得分(AUC=0.65)或修正的早期預警得分(AUC=0.58)；該預測模型的構建為管理者提供早期預警及臨床護理決策。

2.5中醫護理 機器學習技術在中醫護理中，被用于中醫體質和證候方面的預測，可為患者提供精準個性化醫療護理服務，為中醫的革新發展起到積極推動作用。由Zhang等[38]提出的一種基于邊緣云計算系統的統一智能中醫藥框架，以實現計算機輔助辨證和處方推薦為目標，建立證候識別的多模態深度計算模型，從而為患者提供個性化的服務。李迪瑤[39]基于辨證施護理論使用支持向量機、全連接網絡和自編碼器結和全連接網絡3種算法構建輔助辨證工具；結果顯示，全連接網絡表現最佳，其中表里、寒熱以及虛實這3種證候準確率分別為95.86%、97.58%和96.55%。Tang等[40]指出，中醫體質與生理指標相結合可對代謝綜合征進行早期預警，并以平衡體質、總膽紅素、低密度脂蛋白、膽固醇、總膽紅素水平5個指標構建梯度增壓模型；該模型的總體準確率為73.23%。

2.6心理護理 機器學習在心理護理中，被用于建立焦慮、抑郁、妄想等精神衛生健康問題的風險預測模型，為患者選擇最佳的心理干預措施提供依據。Kim等[41]開發了一種有監督的機器學習算法，利用來自情緒低落的老人的生態瞬時評估技術——一種可檢測人在真實世界中隨時間推移和在不同情況下實時體驗和情緒的傳感器，預測獨居老人中抑郁群體。Mufti等[42]利用5 584例心臟手術后患者的數據，建立心臟手術后妄想癥風險模型；該模型的建立可預防術后并發癥，降低治療成本，優化患者預后，具有一定的臨床應用價值。Racine等[43]使用前瞻性隊列的方法評估機器學習預測術后妄想癥的模型性能，但其預測效果中等，可能因妄想癥受多因素、異質性影響，是一種很難以準確預測的表型。Koutsouleris等[44]將深度學習運用于心理研究，抑郁癥患者預后的準確性提高了1.9倍，并驗證了在新發抑郁癥患者的預后確定性增加10.5倍，深度學習可提高患者預后的確定性。

綜上所述，機器學習為護理信息化發展提供了新的方向、新模式、新經驗。目前，機器學習算法在護理不良事件、康復護理、中醫護理、心理護理、慢病管理及護理管理等方面應用廣泛。以信息化醫學工具為基石，全面深度分析數據，并增加有效的治療、護理策略，可達到患者精準個體化干預，從而提高其生命質量。國家大力推進各行業領域從數字化、網絡化向智能化躍升，未來護理信息化趨勢必將響應國家號召，加強醫學人工智能應用標準研究及各地推進醫學人工智能應用。然而，在醫學人工智能發展的道路上，我國尚存的一些問題，一是跨學科人才培養缺乏：醫學專業與計算機專業的深度交叉融合,需既懂醫學又懂計算機的復合型人才。二是我國信息化體系不健全，需要進一步完善：未來研究者將更多以電子病歷系統的數據信息來預測疾病發展動向。建議開設護理信息學學歷教育，同時搭建專業的學習交流平臺，促進跨學科合作，以期通過借助機器學習、深度學習等先進技術手段，幫助護士提高工作效率、提升專業價值。