人工智能應用于老年人跌倒的文獻計量學分析

楊珊,吳藝新,何雨欣,信博,史盼盼,蔣文慧

(西安交通大學 護理學系,陜西 西安 710061)

隨著老齡化進程加快,跌倒成為老年群體面臨的主要危險因素之一[1]。研究[2]表明,65歲以上老年人中,每年約有30%的人經歷過一次跌倒;跌倒引起的骨折、頭部受傷、活動受限及跌倒恐懼等負面后果給個人、家庭及社會造成了沉重負擔[3]。因此,早期的跌倒風險預測、檢測及治療,有助于為高風險老年人制定精準干預計劃并及時救援,對預防跌倒及其不良后果尤為重要。近年來,人工智能(artificial intelligence,AI)技術日趨成熟,應用領域不斷拓展,已廣泛應用于疾病篩查、診斷、新藥開發、決策支持等方面并取得良好成效[4-5],AI在數據處理上高效、準確的優勢為老年人精準跌倒預防與管理提供了契機。鑒于此,為深入剖析AI在老年人跌倒領域的應用,本研究基于CiteSpace 6.1.R4軟件,擬收集Web of Science和中國知網數據庫中AI在老年人跌倒領域的中英文文獻,分析其研究熱點及發展趨勢,為促進我國AI應用于老年人跌倒預防、管理實踐提供參考。

1 資料與方法

1.1 數據來源與檢索策略 以Web of Science核心合集數據庫和中國知網為主要數據來源,檢索時間段為建庫至2023年10月8日。英文檢索策略:TS=(“artificial intelligence” OR“machine learning” OR “deep learning”)AND(“elder*”OR“old”OR“aged”OR“senior*”)AND(“fall*”),中文檢索策略:主題=(人工智能+機器學習+深度學習)AND(老年+老年人)AND(跌倒+摔倒)。納入與研究主題相關的研究類及綜述類文獻,排除重復文獻、非英文及非中文文獻。

1.2 研究方法 使用Excel進行發文趨勢分析,CiteSpace 6.1.R 4軟件完成對AI應用于老年人跌倒領域的中英文文獻記錄的可視化分析。分別導入數據,時間跨度分別為2013-2023、2005-2023年,時間切片設置為1,“TOP N”設定為50,修剪方式為pathfinder、pruning sliced networks。選擇關鍵詞為節點類型進行可視化分析,并探索突現關鍵詞。

2 結果

2.1 發文量分析 初步檢索英文文獻1088篇,中文文獻103篇,排除與主題不相關、文獻類型不符、重復、非中英文文獻后,共納入英文文獻515篇,中文文獻96篇。國外自2005年開始AI在老年人跌倒領域的研究,2017年后發文量劇增,2017-2023年發文量占總發文量的93%。我國起步較晚,于2013年開始相關研究,2017年后發文量也逐漸增長,但總體仍遠低于國外,見圖1。

圖1 AI應用于老年人跌倒研究發文量趨勢圖

2.2 關鍵詞分析

2.2.1 關鍵詞共現分析 CiteSpace得到的英文文獻共現分析網絡節點數為337,連線數為1971,密度為0.0348;中文文獻共現分析網絡節點數為119,連線數為209,密度為0.0298。國內外出現頻次排名前10的關鍵詞見表1,分析結果可知,國外目前AI在老年人跌倒領域的應用研究主要圍繞跌倒檢測、跌倒預測展開,而國內主要聚焦于跌倒檢測。

表1 國內外AI應用于老年人跌倒研究的高頻關鍵詞

2.2.2 關鍵詞聚類分析 聚類圖譜模塊值Q>0.3表示聚類結構顯著,平均輪廓值S>0.5表示聚類結果合理,S>0.7表示聚類結果非常顯著[6]。英文圖譜(圖略)Q=0.5262,S=0.7797,中文圖譜(圖略)Q=0.7074,S=0.9445,表明聚類結構顯著且結果可信。聚類序號越小包含關鍵詞越多、規模越大[7]。英文文獻共形成8個聚類:fall detection(跌倒檢測)、wearable sensors(可穿戴設備)、deep learning(深度學習)、fall prevention(跌倒預防)、ambient assisted living(環境輔助生活)、machine learning(機器學習)、artificial intelligence (人工智能)和assisted living(輔助生活)。中文文獻共形成7個聚類:跌倒檢測、行為識別、老年人、跌倒、深度學習、人工智能、包容性。

2.2.3 關鍵詞突現分析 關鍵詞突現用于挖掘研究領域前沿和發展趨勢[8]。國內外研究中突現強度最大的關鍵詞分別是摔倒檢測和senior citizen(老年人);突現時間最長的關鍵詞分別是傳感器和support vector machines(支持向量機)。國外研究中,internet of things(物聯網)和transfer learning(遷移學習)從2021年開始突現持續至今,未來會繼續側重與這2個突現詞相關的研究。國內自2020年開始關注摔倒檢測,未來可能會繼續進行該方面研究。具體見圖2、3。

圖2 國外AI 應用于老年人跌倒研究關鍵詞突現圖譜

圖3 國內AI 應用于老年人跌倒研究關鍵詞突現圖譜

3 討論

3.1 發文量分析 發文量趨勢圖顯示,國內外AI 應用于老年人跌倒領域發文量總體均呈上升態勢,2017年后增速明顯加快,2017-2023年發文量分別占總發文量的93.75%、93.00%。一方面,2017年我國發布“新一代人工智能發展規劃”[9],首次將AI制定為國家發展戰略;另一方面,這一趨勢與計算資源可用性增加及AI在醫學領域的日益普及相吻合。我國總體發文量明顯滯后于國外、進展緩慢,表明我國在該領域仍有較大的探索空間,可能與我國起步晚,發達國家在技術、教育、經濟等方面的優勢有關,提示我國應加強與發達國家的交流合作,共同提高該領域生產力及研究質量。

3.2 AI在老年人跌倒領域的研究熱點

3.2.1 老年人跌倒預測 AI在老年人跌倒預測方面的研究集中于通過構建和驗證預測模型,識別高危老年人群并分類,以此制定個性化干預措施。現有模型數據主要來源于兩方面:一是富含海量信息的電子健康記錄與大型公共數據庫;二是可穿戴設備測量的步態數據。海量的信息為跌倒預防提供契機,但傳統的統計學方法在處理數據上存在缺陷,AI可以更全面、準確的識別跌倒風險因素。Dormosh 等[10]基于初級保健電子健康記錄結合Bolasso算法構建社區老年人跌倒預測模型,最終預測模型包括年齡、性別、跌倒史、2種藥物和5種疾病。此外,我國學者選擇5種機器學習方法利用CHARLS數據庫構建了社區老年人跌倒風險預測模型,提示跌倒預防計劃應重點關注跌倒史、身體機能、心理因素和家庭環境[11]。另一方面,有學者引入可穿戴設備利用加速計和陀螺儀等傳感器測量各種步態特征,用一種或多種AI算法比較實現跌倒風險預測[12]。目前實驗地點逐漸由實驗室環境向生活環境轉換,并且在帕金森病患者[13]、腦卒中患者[14]及社區老年人[15]中取得成效。然而,我國基于可穿戴設備進行跌倒預測的研究較少。相較于已有電子健康記錄或公共數據庫,可穿戴設備結合AI算法可以長期動態監測步態,且便攜、實用、成本低,為老年人在臨床及社區環境的跌倒風險評估提供了準確有效的替代方法,對護理人員篩選高危人群分級管理、制定多因素跌倒預防計劃,提高干預精準性至關重要。因此,我國應借鑒發達國家經驗,加速探索可穿戴設備在跌倒預測中的應用;考慮提升AI算法性能、擴大樣本量、增加可能提高預測性能的變量,以此優化預測模型分類質量;大多數模型未進行外部驗證,可考慮對模型進行外部驗證以測試其在我國臨床護理實踐中的適用性。

3.2.2 老年人跌倒檢測 跌倒檢測的目的是在老年人發生跌倒時準確識別,落地前激活保護裝置,減少跌倒損傷或快速預警,縮短救援時間[16]。因實現方法不同分為可穿戴式及非可穿戴式系統。諸多研究證明,可穿戴設備結合隨機森林[17]、決策樹[18]和深度學習[19]等檢測老年跌倒的有效性,準確率由92.0%至99.9%不等。因佩戴傳統設備易引起視覺或身體不適且應用時長有限,國外已有學者應用薄銅膜制造皮膚可穿戴設備,檢測老年人跌倒的準確率為98.5%[20]。另一方面,非可穿戴式系統通過環境傳感器或計算機視覺檢測跌倒發生。如Clemente等[21]將地板振動作為識別源,以地板振動的數據結合支持向量機實現跌倒檢測,準確率達到95.14%。但此類傳感器受限于固定場所,價格昂貴,易受噪聲干擾產生誤報。基于視覺設備的方法因免佩戴、不受限于固定場所,具有高特異性和靈敏度的特點,成為跌倒檢測中應用最廣泛的方法[22],但會受背景光線、人群遮擋。由于不同方法均存在一定缺陷,國外學者嘗試探索多模式跌倒檢測系統[23]。我國研究方向與國外類似,研究內容不止局限于一種方法,也有學者嘗試將可穿戴式與非可穿戴式系統結合[24],以彌補單一方法的缺陷。在人口老齡化、慢性病高發、家庭功能弱化的背景下,借助AI技術實現對醫院、社區、養老機構不同身體狀況老人的跌倒檢測,可提高其居住環境安全性,最大限度減輕跌倒引起的不良后果。因此,我國學者應充分探索跌倒風險檢測技術,今后不僅要關注如何提高可穿戴設備的舒適性及粘附性,同時應聚焦于傳統機器學習與深度學習結合,使多模式跌倒檢測系統適應于現實復雜場景。另外,可在護理高等教育中開設相關課程,積極培育AI與護理專業跨學科人才,使護理人員參與系統開發過程,以確保技術開發成果更貼合臨床護理實踐。

3.2.3 老年人跌倒預防 目前,全球有關機器人輔助干預在老年人跌倒中的報道并不多。機器人輔助干預以提供步態訓練、避開障礙物、保持平衡[25]來防止老年人跌倒。有研究[26]表明,步態訓練可誘導大腦可塑性、增加突觸強度和增強功能回路,改善帕金森患者的行為。Bevilacqua等研究[27]將195名老年帕金森患者分為3組,一組僅接受傳統康復治療,另外兩組先接受30 min傳統康復治療,再分別接受20 min不同系統提供的機器人輔助治療,旨在評估機器人輔助康復治療效果,從而改善步態、降低跌倒風險。另一項在多發性硬化癥患者中進行的隨機對照試驗[28]證明,機器人輔助步態訓練結合物理療法優于傳統步態訓練。防摔機器人會激活機器人加以剎車來保持老年人的平衡,機器人停止運動的同時老年人也停止運動[29]。現階段,我國已有關于步態訓練機器人的研制研究[30],但尚未發現將其應用于輔助干預。機器人輔助干預可降低跌倒發生率、死亡率,減少財務支出,緩解護理人員短缺,提示我國學者應借鑒國外經驗,針對早中晚期帕金森病、卒中后、髖部骨折等高危老年人群特點改善機器人性能、提升用戶體驗,加速成果轉化。另外,護理人員應積極開展本土化高質量隨機對照研究以驗證機器人輔助干預防止跌倒的有效性。

3.3 AI在老年人跌倒領域的發展過程及研究趨勢 關鍵詞突現圖譜顯示AI在老年人跌倒領域的發展過程可分為兩個階段。2017年之前為初始階段,國外傾向于使用傳統支持向量機結合傳感器構建環境輔助生活系統來檢測老年人跌倒,我國與之大致相同。2017年至今是高速發展階段,國外焦點轉向優化的卷積神經網絡,且開始向跌倒預測領域探索,同期我國比較關注獨居老人的跌倒檢測研究。國外自2021年以來一直以物聯網和遷移學習為研究核心。物聯網與AI構建的智能環境,不僅可以全面、客觀、連續地監控獨居、衰弱及帕金森病等高跌倒風險老年人群,并可以有效緩解護理人員短缺[31]。此外,遷移學習[32]將已有領域的知識轉移到新領域的特點,可克服老年人活動數據稀缺、收集成本高[33]的困難,但目前在本領域的報道并不多。突現圖譜顯示,我國未來仍趨向于跌倒檢測研究。現階段在人口老齡化嚴重、獨居、慢病老人激增、護理人員短缺的背景下,我國學者應把握國際熱點,深化護理與AI領域的合作,積極探究基于物聯網技術與遷移學習等優化AI算法的智能環境,有助于在住院、居家、養老機構環境中為老年人提供精準跌倒預防與管理策略,從而有效降低跌倒發生率及不良后果,改善老年人生活質量,促進健康老齡化。

4 小結

本研究運用CiteSpace軟件分析了Web of Science核心數據庫與中國知網中老年人跌倒領域AI應用研究的相關文獻,清晰、直觀地展現了近年的研究熱點和趨勢,為我國深入挖掘AI在該領域的應用及確定未來研究方向提供借鑒。今后研究不僅要聚焦于跌倒預測、檢測的準確性及高效性,而且在開發過程中應充分考慮護理人員及老年人意見,使其更貼合臨床實踐,同時開展現實研究評價AI應用于老年人的實際效果;也可進一步探索AI輔助干預在老年人中的應用及效果評價,為其跌倒預防與管理提供智能解決方案。