決策樹算法在護理學領域的應用進展

徐舒慧，張 欣

中國醫學科學院 北京協和醫學院，北京 100144

《全國護理事業發展規劃(2016-2020年)》指出，云計算、大數據等信息技術快速發展，可促進科學護理管理。機器學習可幫助護理人員發現海量數據的潛在規律，將繁雜的數據轉化為客觀且易懂的知識，對護理研究和實踐具有重大意義[1]。決策樹算法常用于分類預測或規則提取，相比于其他機器學習算法，具有結果易于解讀、效率高、有較多的分類和較高的預測精度等優點[2]，已經廣泛應用于住院患者風險管理[3]、護理人力資源管理[4]、住院費用分組[5]，可以降低患者住院期間的不良結局發生率、促進資源的合理分配等。本文針對決策樹算法在國內外護理學領域的應用研究進行概述，旨在為我國開展護理研究提供新的方法和思路。

1 決策樹算法概述

決策樹算法是機器學習中的分類算法，通過創建一系列決策規則來預測類別響應變量，將可能發生的結局(包括偶然事件、資源成本、效益等)的分布以樹的形式呈現[6]。該算法對連續的、更小的數據分區應用分割規則，每個分區是樹上的一個節點，包含所有數據的分區是根節點；選擇分割是為了在每個產生的分區中，最小化節點雜質或異構的一些度量；拆分過程在樹的每個分支上重復，直到額外的拆分不會導致節點雜質的進一步減少，或者達到某些其他預先指定的停止條件。從樹的根節點開始至葉子節點為一條分類規則，代表相應數據的類別預測，可以通過目標變量預測屬性變量[2]。與傳統的邏輯回歸算法和其他機器學習算法相比，具有以下優勢：可處理連續或離散數據；樹結構簡單，可解釋性強；非參數算法，可有效處理大型復雜數據集，而不強加復雜的參數結構；訓練樣本量小于其他數據挖掘和統計學方法；沒有多重共線性的影響，能夠挖掘變量之間的相互效應；不需要使用者了解很多該算法的背景知識，易于護理人員運用。用于開發決策樹的常用算法包括分類與回歸樹(classification and regression tree，CART)、卡方自動互相檢驗法(chi-squared automatic interaction detector，CHAID)/窮盡卡方自動互相檢驗法(exhaustive chi-squared automatic interaction detector，E-CHAID)等。

2 決策樹算法在護理學領域中的應用

2.1 決策樹算法在住院患者風險管理中的應用

護理風險管理可有效消除或減少臨床護理工作中的護理風險及其后果[7]，是提高護理活動安全性和有效性的重要內容，決策樹算法在護理風險管理領域應用最為廣泛。

2.1.1決策樹算法在護理不良事件風險預測中的應用

護理不良事件的風險預測為患者安全提供保障。在傳統臨床工作中，我國護理人員多依靠評估量表和主觀經驗預測患者發生護理不良事件的風險，而護理不良事件的發生并非由幾個因素間的簡單線性關系導致，此外，臨床護士工作強度大，易導致信息采集不完整。因此，護理不良事件發生率并未有效降低[8]。決策樹算法可以對大量沒有規律的數據進行分析，得出護理不良事件的關鍵風險因素，簡便易行，可以用于高危人群的篩選，為早期預防提供理論支持。宋杰[9]借助大數據技術分析1 673例皮膚損傷護理不良事件的獨立危險因素，運用支持向量機、決策樹算法、隨機森林和人工神經網絡基于獨立危險因素分別構建預測模型；決策樹模型的準確率、召回率、精確率和F1值均高于人工神經網絡，研究者基于此研究結果建立了皮膚損傷護理不良事件綜合管理平臺，實現了數據的連續分析和智能化自動預測。確定危重患者的壓力性損傷風險是復雜且具有挑戰性的。Cox等[10]利用來自重癥監護醫學信息庫的大數據集，提取1 460例患者的資料進行決策樹算法分析，決策樹模型顯示，接受去甲腎上腺素治療、年齡>65歲、住院時間不超過10 d、Braden量表評分≤15分的患者，有63.6%的壓力性損傷風險。可見，在護理不良事件分析中，通過建立決策樹風險預測模型，可以節約護理人員早期識別危險因素及高危人群的時間且精準度高，及時給予干預，從而降低護理不良事件發生率[10-11]。

2.1.2決策樹算法在醫院獲得性感染(hospital-acquired infection，HAI)風險預測中的應用

HAI是醫療質量和醫療技術發展的一大障礙，僅靠醫務工作者自主上報或回顧性調查難以降低HAI發生率。目前，HAI預警系統多基于《醫院感染診斷標準(試行)》中的條例，缺乏基于真實HAI數據的分析和研究[12]。利用HAI決策樹預警模型可以有效降低感染管理人員的篩查時間，繼而進行干預，降低HAI發生率[12]。樊雯婧等[13]應用決策樹CHAID和二分類Logistic回歸分析法分別構建住院患者醫院感染風險預測模型，結果顯示泌尿道插管、住院時間≥31 d、使用呼吸機是發生HAI的重要風險因素；決策樹模型風險預測的正確率為88.2%，曲線下面積高于Logistic回歸模型。Park等[14]使用決策樹算法、邏輯回歸和支持向量機三種數據挖掘技術來識別獲得性導尿管相關尿路感染的影響因素，發現女性、年齡較大(50歲及以上)、住院時間長、嚴重的基礎疾病、導管使用時間延長、留置導尿管超過48 h等為風險因素。周佩敏等[15]采用決策樹算法分析成人全髖關節置換術后手術部位感染的風險因素，結果顯示，手術時間是最主要的影響因素。可見，決策樹算法可以直觀地顯示輸入變量間的關系及不同變量對結局的影響，還能細致描述某一變量在不同亞組中發揮的作用。

2.1.3決策樹算法在住院患者病情惡化早期預警中的應用

為幫助護士早期識別病情變化風險，國內外學者已經建立了多種病情預警評估工具，但存在納入的生理指標有限、單一時點的評分缺乏連續性、展示患者病情變化趨勢較片面等不足[16]。決策樹算法在病情識別上的應用為以上問題的解決提供了新的思路[17]。院內心搏驟停是可以預防的，因為患者在事件發生前往往表現出病情惡化的跡象，Li等[18]對21 337例成年急性冠脈綜合征患者進行病例對照研究，從電子健康記錄中提取生命體征、人口學和實驗室數據，采用決策樹分析和10倍交叉驗證來預測院內心搏驟停的風險；決策樹分析檢測到7個解釋變量，分別為VitalPAC早期預警評分、致命性心律失常、心功能分級、心肌肌鈣蛋白I、血尿素氮、年齡、糖尿病，模型的曲線下面積為0.844，10倍交叉驗證的風險估計數為0.198。這一簡單的預測模型可以為醫護人員提供一個實用的床邊工具，并可以對病情惡化患者的決策產生積極影響。基于決策樹的早期預警模型減少了虛假警報，使得預警信號早期被發現，以便及時干預，對臨床工作人員和患者具有重要意義。這些模型還需要進一步的發展和進行必要的前瞻性研究。

2.2 決策樹算法在建立住院費用分組模型中的應用

住院費用可以反映醫療衛生資源的分配使用情況，護理費用則顯示護理資源的使用狀況，慢性病、精神疾病、康復患者所需的大量護理活動還未作為單獨項目納入護理收費標準中，人力資源不能得到合理的分配和應用[19]。劉嘉等[19]以護理費用(資源利用程度)為目標變量，通過CHAID法將58%(379例)患者作為訓練集建立決策樹模型，確定影響因素的重要程度并建立分組模型；將42%(274例)患者作為預測集，預測模型預測準確率達到95.71%，預測效果理想，可實現新數據的預測；建立的分組方案及護理費用收費標準可為費用控制和護理費用支付方式改革提供參考。我國有研究選取某醫院醫療機構信息系統中的急性白血病患者數據，運用疾病診斷相關分類(diagnosis related groups，DRGs)模式和CHAID算法分析影響住院費用的主要因素并建立住院費用分組模型，設置60%樣本數作為訓練集、40%作為預測集，結果顯示住院時間(0.764)、年齡(0.114)、并發癥(0.096)是影響患者住院費用的重要因素，住院時間、年齡、并發癥作為住院費用分組節點納入決策樹模型生成住院費用分組模型，模型住院費用預測值與實際值線性程度高[5]。將DRGs模式結合決策樹算法建立住院費用分組模型，該模型能夠直觀分析出影響住院費用的重要變量，繼而制定相應措施，以不斷提升醫療質量、減輕患者經濟負擔，同時為我國政府部門制定醫保費用支付標準提供理論依據[5]。需要注意的是，研究者應該根據因變量類型選擇合適的決策樹算法，對輸出的決策樹模型進行比較，以得到更理想的決策樹模型，揭示變量間的真實關系。

2.3 決策樹算法在護理人力資源管理中的應用

合理配置護理人力資源，在提高護士薪酬待遇的基礎上，建立科學的護士績效考核和薪酬分配制度，是護理管理的重要探索內容[20]。目前基于客觀指標和數據的評價方法過于復雜，存在費時、費力、費工、即時性和準確性不足等缺點[21]。決策樹算法不需要使用者掌握復雜的知識，護理管理者可即時根據決策樹形成的各預測因素、分類規則及因素組合情況對病區每日工作量進行劃分，有利于短期內護理人力資源的彈性調配[4]。吳疆等[22]對全院護理單元的工作數量、質量、效率、業績共90項指標數據進行決策樹分類分析，依據首優差異變量將護理單元劃分為不同集群，以此為依據完成護理單元績效分類，護理績效的總滿意度由72.41%提升到98.28%。基于醫院信息數據平臺，利用決策樹算法，建立能綜合護理工作量、專業技術風險和護理質量的等級分類集群，從而為單元內護理績效評價與績效獎金等級系數的確定提供科學、客觀、公平、公正的分類評價方法與依據[23]，不僅能提高護士對護理績效評價的滿意度、降低人員流失率，還有利于護理人力資源的合理配置。

3 結語

決策樹是改進臨床實踐決策過程的一種有效且實用的工具，已經在我國的護理風險管理、住院費用管理、護理人力資源管理領域進行了初步應用，并得到了較為理想的結果。因為其可操作性強、結果易于解讀、具有良好的預測精度、處理小樣本的能力也較為出色，因此未來可以嘗試將其更多地運用于護理實踐或教學活動中。而目前我國研究的形式較單一，聯合運用決策樹和其他機器學習算法處理數據的能力弱；未來研究可借鑒國外研究經驗，合理聯用多種機器學習算法，以得到理想的模型。目前國內研究多基于回顧性數據集，易出現歷史記錄錯誤、數據缺失等問題，導致所建立模型的適用性較差；未來應開展多中心、前瞻性研究，對決策樹模型進行效能驗證。將通過驗證的預警模型嵌入電子病歷系統，實時地調取電子健康系統的大數據進行分析，從而解決預測護理風險、彈性調配護理人力資源、控制護理質量等護理管理問題。