人工智能隨訪和人工隨訪的一致性研究：以高血壓共病糖尿病患者為例*

【摘要】目的評價人工智能（AI）隨訪和人工隨訪在高血壓共病糖尿病患者中的一致性。方法于2021年7月17日-12月10日，對981名在管高血壓共病糖尿病患者分別進行人工隨訪和AI隨訪。比較兩種隨訪方式的異常報告率，并采用Kappa方法分析隨訪結果一致性。結果AI隨訪接通率為90.09%，信息采集率為70.72%，各年齡組間接通率差異具有統計學意義（P=0.047），雙休日的接通率和采集率均顯著高于工作日（Plt;0.001），撥打時段中9：00～12：00的采集率高于其他時段（P=0.010）。兩種隨訪方式在“煩躁”“面色蒼白或潮紅”和“不規律活動”條目中的異常報告率差異具有統計學意義（Plt;0.05）。AI隨訪和人工隨訪在癥狀類條目中的一致性水平在較差和高度之間波動，在行為類條目中的一致性水平較高。結論AI隨訪可用于慢性病健康管理。未來需繪制患者數字畫像，定制個性化隨訪計劃；優化AI隨訪內容，采用AI隨訪與人工隨訪相結合方式。

【關鍵詞】慢性病;高血壓；糖尿病；共病;人工智能隨訪;電話隨訪;隨訪一致性

中圖分類號：R197.323文獻標識碼：A

AbstractObjectiveToevaluatetheconsistencyofartificialintelligence（AI）follow-upandmanualfollow-upinpatientswithhypertensionanddiabetesmellitus.MethodsFromJuly17toDecember10，2021，981patientswithhypertensionanddiabetesmellituswerefollowed-upmanuallyandbyAIrespectively.Theabnormalreportrateofthetwofollow-upmethodswerecompared，andtheconsistencyofthefollow-upresultswasanalyzedbyKappamethod.ResultsThefollow-upconnectionrateofAIwas90.09%，andthecollectionratewas70.72%.Theredifferenceintheconnectionrateamongdifferentagegroupswasstatisticallysignificant（P=0.047）.Theconnectionrateandcollectionrateonweekendsweresignificantlyhigherthanthoseonweekdays（Plt;0.001）.Thecollectionratefrom9：00to12：00washigherthanthatinotherperiods（P=0.010）.Therewerestatisticallysignificantdifferencesintheabnormalreportrateofthetwofollow-upmethodsintheitemsof\"irritability\"，\"paleorflush\"and\"irregularactivity\"（Plt;0.05）.TheconsistencylevelofAIfollow-upandmanualfollow-upinsymptomitemsfluctuatedbetweenpoorandhigh，withthelevelinbehavioritemsbeinghigher.ConclusionAIfollow-upcanbeusedforchronicdiseasehealthmanagement.Inthefuture，itisnecessarytodrawdigitalportraitsofpatientsandcustomizepersonalizedfollow-upplans.AIfollow-upcontentneedstobeoptimized，withacombinedmethodofAIfollow-upandmanualfollow-up.

作為社區居民中常見的慢性病共患病，高血壓共病糖尿病（以下簡稱“高糖共病”）不僅影響了患者的生活質量，而且加重了患者的疾病負擔［1-2］。《健康中國行動2023年工作要點》［3］指出，要加強高血壓、糖尿病等慢性病患者的健康管理，推進醫防融合，提升服務質量。隨訪作為慢性病患者健康管理的重要一環，不僅有助于收集患者健康數據、監測病情變化、評估治療效果，而且能有效降低并發癥發生風險［4］。傳統隨訪主要由醫護人員通過電話或面對面等方式進行，雖然能夠為患者提供情感支持和人文關懷，但由于基層醫療衛生機構中負責慢性病管理的醫務人員數量較少，加之慢性病管理工作量大，導致隨訪效率低下，且無法保障隨訪過程的規范性。近年來，人工智能（ArtificialIntelligence，AI）在醫療領域的應用日益廣泛，如體檢預約、健康教育、出院患者隨訪等［5］，提高了醫務人員的工作效率。目前，AI隨訪相關研究集中在系統構建與應用方面［6-7］，關于兩種隨訪方式的一致性研究鮮有報道。基于此，本研究分析了AI隨訪和人工隨訪在高糖共病患者中的一致性，旨在優化AI隨訪模式，提高患者隨訪依從性和滿意度，從而推動AI技術在慢性病患者健康管理中的應用。

1對象與方法

1.1研究對象

2021年7月17日-12月10日，選擇寶山區羅店、顧村和大場三個社區衛生服務中心在管的高糖共病患者981例。納入標準：（1）年齡≥35歲；（2）已確診為高血壓和糖尿病共病患者；（3）有一定溝通能力，且同意接受AI隨訪和醫生電話隨訪。排除標準：（1）合并嚴重的心肝腎等臟器疾病；（2）精神神經及行為異常者；（3）基本信息采集錯誤。

1.2研究方法

1.2.1隨訪內容

采用《上海市社區健康管理工作規范——慢性病綜合防治（2017年版）》中的“管理隨訪信息表”收集隨訪資料，共有23個與高血壓和糖尿病相關的問題，分為癥狀類和行為類。癥狀類問題包括頭暈頭痛、惡心嘔吐、乏力、煩躁、面色蒼白或潮紅、四肢發麻或下肢水腫或肢端潰瘍、視力模糊或耳鳴眼花、鼻出血、皮膚瘙癢、胸悶心悸或呼吸困難、低血糖、多食、多飲、多尿、感染疾病、有并發癥、藥物不良反應等；行為類問題包括未接受健康教育、攝鹽過度、吸煙、飲酒、不遵醫囑服藥、不規律活動等。

1.2.2隨訪方法

所有研究對象均需接受醫生電話隨訪和AI隨訪，兩次隨訪內容相同，間隔時間為3d～5d。

AI隨訪采用阿里云提供的語音識別技術和上海市疾病預防控制中心開發的語音隨訪平臺。工作流程主要分為四個部分：（1）輸入患者信息。首先導入每個隨訪對象的基本信息列表，包括身份證號碼、電話號碼、主治醫生等。（2）撥打電話。平臺自動通過中繼線路進行撥號，并根據編制好的隨訪內容使用模擬人聲進行隨訪。在9：00～12：00、12：00～17：00、17：00～18：00任一時間段內進行撥打，若該時段患者未接聽，則在后一時間段再次撥打，若三次未接聽，則該隨訪周期內不再撥打。（3）提問和收集信息。收到患者回答后，利用語音識別技術和自然語言處理技術提取語音數據要素，并通過語音合成、語音識別技術、語音模式識別等生成標準化指標。（4）保存隨訪內容及反饋指標。將生成的標準化指標傳輸至慢性病管理信息系統，同時將隨訪日期、呼叫和應答情況、隨訪時間、完整錄音、片段錄音、翻譯文本、隨訪結果等進行結構化存儲。AI隨訪流程見圖1。

人工隨訪由經過專業培訓的社區醫生完成，隨訪結果由醫生手工錄入電腦，同時通話被錄音，便于比對隨訪結果，進一步完善隨訪話術和流程。

1.3評價指標

AI呼叫接通率=呼叫成功人數/計劃撥打人數×100%。信息采集率=至少回答一題人數/接通人數×100%。異常報告率=某條目報告存在異常癥狀或行為人數/回答該條目總人數×100%。一致性分析采用Kappa值（κ）計算［8］，具體分類和水平如下：0.00～0.20（較差），0.21～0.40（一般），0.41～0.60（中等），0.61～0.80（高度），0.81～1.00（極好）。

1.4統計分析方法

使用SPSS26.0軟件進行統計分析。呈偏態分布的計量資料用中位數和四分位數間距［M（P25，P75）］表示，組間比較采用秩和檢驗。計數資料采用頻數和率表示，組間比較采用卡方檢驗。兩種隨訪方式間異常報告率的比較采用配對卡方檢驗，率的趨勢變化采用趨勢卡方檢驗。檢驗水準α=0.05。

2結果

2.1研究對象基本情況

在招募的981例高糖共病患者中，去除基本信息采集錯誤者，共對959例患者進行人工隨訪和AI隨訪。其中：男性497例（51.82%），女性462例（48.18%）；中位年齡69（62，75）歲，以65歲～＜75歲患者居多，共389例（40.56%）。研究對象基本情況見表1。

2.2AI隨訪接通和信息采集情況

在AI隨訪的959例高糖共病患者中，AI呼叫成功864例，接通率為90.09%。各年齡組間接通率差異具有統計學意義（χ2=3.946，P=0.047），在≥45歲患者中，接通率隨年齡增加而上升。雙休日接通率明顯高于工作日，差異具有統計學意義（χ2=10.344，Plt;0.001）。見表1。

去除接通未采集信息者，AI隨訪總體采集率為70.72%（611/864）。雙休日采集率顯著高于工作日（χ2=14.501，Plt;0.001），撥打時段中9：00～12：00的采集率高于其他時段（χ2=6.554，P=0.010）。見表1。

在采集到隨訪信息的611例患者中，平均回答題數為20（16，22）個，且受過中高等教育的患者回答題數顯著多于小學及以下學歷患者（H=33.335，Plt;0.001）。見表1。

2.3AI隨訪和人工隨訪的異常報告率情況

AI隨訪中，各條目的采集率隨條目序次增加而降低，差異具有統計學意義（χ2趨勢=33.316，Plt;0.001）。在人工隨訪和AI隨訪均采集到的條目中，“未接受健康教育”條目異常報告率均最高，人工隨訪為83.23%、AI隨訪為82.80%。人工隨訪中，“不遵醫囑服藥”條目異常報告率最低，為1.90%；AI隨訪中，“鼻出血”條目異常報告率最低，為1.16%。此外，人工隨訪和AI隨訪在“煩躁”“面色蒼白或潮紅”“不規律活動”三個條目中的異常報告率差異具有統計學意義（Plt;0.05），見表2。

2.4AI隨訪和人工隨訪的一致性情況

在癥狀方面，AI隨訪和人工隨訪的一致性水平在較差和高度之間波動，“低血糖”條目的一致性最高（κ=0.615），除“藥物不良反應”條目外，其余條目一致性差異均有統計學意義（P＜0.001）。

在行為方面，AI隨訪和人工隨訪的一致性水平較高，尤其是“吸煙”（κ=0.891）和“飲酒”（κ=0.699），除“不遵醫囑服藥”條目外，其余條目一致性差異均有統計學意義（P＜0.001）。見表3。

3討論

3.1繪制患者數字畫像，定制個性化隨訪計劃

在接通率方面，總體來看，本研究結果顯示，AI隨訪接通率為90.09%，高于谷孝云等［9］在基本公共衛生服務領域試點應用的兩次重撥接通率67.30%，以及夏遠親等［10］對體檢人群檢后隨訪的接通率75%。究其原因，本研究在醫生電話隨訪的同時會再次告知患者近一周內將會進行AI隨訪。具體來看，AI隨訪接通率在中老年人群中隨年齡增加而上升，可能與此類人群可自由支配時間較充足有關。

在采集率方面，本研究結果顯示，AI隨訪各條目的采集率隨條目序次增加而降低（Plt;0.001），且受過中高等教育的患者回答題數顯著多于小學及以下學歷患者。這在一定程度上表明，文化程度越高，患者對AI隨訪的接受度越高。對此，建議加強宣傳教育，以提高患者AI隨訪依從性。

本研究結果還發現，無論是接通率還是采集率，均為雙休日高于工作日。但有研究［7］顯示，在上海市黃浦區打浦橋社區，AI隨訪工作日的采集率高于雙休日，可能與患者群體不同有關。這提示，關于隨訪時間的設置不能一概而論，應根據實際制訂具體方案，以確保應答率，提高隨訪效率。此外，本研究對撥打時段進行了細致劃分，結果顯示各時段AI隨訪的接通率均＞85%，且上午9：00～12：00時段的信息采集率顯著高于其他時段。

綜上，建議智能語音隨訪平臺根據患者的年齡、學歷以及撥打時間、時段和次數等信息，深度挖掘患者的特征和偏好，繪制患者數字畫像，將患者按不同屬性分類，并針對不同類型患者定制個性化隨訪計劃，從而確保隨訪工作的針對性和有效性。

3.2優化AI隨訪內容，采用AI隨訪與人工隨訪相結合方式

本研究發現，癥狀類條目的隨訪一致性水平波動較大，與MohammedA等［11］研究結果一致，這可能與患者對條目的理解不夠深入，在兩次隨訪中的回答存在偏差有關。具體來看，在煩躁、面色蒼白或潮紅等癥狀方面，AI隨訪的異常報告率高于人工隨訪，兩者的一致性處于一般水平；而低血糖、皮膚瘙癢、胸悶心悸等癥狀類條目的隨訪一致性處于中等及以上水平。由此可見，癥狀具有主觀性。一項在孟加拉國和坦桑尼亞兩個國家開展的研究［12］表明，飲酒和吸煙在兩種隨訪方式間的一致性較高，這與本研究結果一致，且兩種隨訪方式在吸煙和飲酒方面的異常報告率差異無統計學意義，可能與行為具有一定的穩定性有關。對此，建議在每年對高糖共病患者的四次隨訪中，減少對吸煙和飲酒的隨訪次數，如半年或一年隨訪一次。

為了進一步分析導致人工隨訪和AI隨訪結果不一致的原因，本研究隨機聽取了部分AI隨訪錄音，總結了以下四種情況：（1）回答不一致（占71.81%）。即兩次隨訪回答存在差異。（2）判別不一致（占7.72%）。患者回答“偶爾有”或“有時有”時，AI識別為有，但醫生可能識別為沒有。（3）AI識別錯誤（占3.02%）。如患者回答“有一點”，AI識別為沒有。（4）醫生識別錯誤（占12.75%）。如患者回答“正常”，醫生識別為有，不排除無意識填寫錯誤。針對第一種情況，可能與多數高糖共病患者年齡較大，記憶力和理解力下降有關。針對后三種情況，原因可能有四點：第一，AI只能根據既定話術進行提問，無法與患者正常交流，而人工隨訪中醫生會深入追問；第二，AI不能很好地判斷模棱兩可的回答；第三，兩次隨訪接聽電話者可能不同；第四，隨訪話術中每道題目的回答時間有限。綜上，建議：一是通過與用戶不斷交互，提高AI處理能力；二是對AI隨訪內容進行分類，并根據不同類型的問題設定隨訪周期，如減少對生活行為類問題的隨訪頻率；三是根據每道題目的長短和復雜程度，針對不同人群調整預留的答題時間；四是對隨訪話術模板外的問題，AI尚不能有效解決時可通過人工進行隨訪。

注：吳靜、王思源為共同第一作者。

參考文獻

［1］孫文巖，王思源，吳菲，等.上海市35歲及以上居民高血壓、糖尿病共病流行現狀分析［J］.上海預防醫學，2021，33（7）：559-565.

［2］蔡仕良，鮮林峰，李子帥，等.上海郊區居民高血壓和糖尿病共患的相關因素分析［J］.上海預防醫學，2022，34（10）：1033-1037.

［3］健康中國行動推進委員會辦公室.關于印發健康中國行動2023年工作要點的通知：國健推委辦發〔2023〕1號［EB/OL］.（2023-03-06）［2024-08-01］.http：//www.nhc.gov.cn/guihuaxxs/s7788/202303/1a6c05141f9547768ba1f7792c0313d0.shtml.

［4］韓帥，朱雪嬌，舒潔，等.慢性病患者云隨訪服務體驗量表的研制及其信效度檢驗［J］.中國全科醫學，2024，27（28）：3552-3559.

［5］程美，王力華.醫療智能語音技術與應用綜述［J］.中國數字醫學，2021，16（8）：1-7.

［6］黃一敏，王淼，魏明月，等.人工智能語音隨訪系統在兒童日間手術中心的應用［J］.中國衛生質量管理，2021，28（3）：9-11.

［7］王思源，周峰，高俊嶺，等.人工智能電話隨訪在高血壓隨訪管理中的應用［J］.中國慢性病預防與控制，2021，29（11）：817-820.

［8］MCHUGHML.Interraterreliability：thekappastatistic［J］.BiochemMed（Zagreb），2012，22（3）：276-282.

［9］谷孝云，楊效軍，谷張鵬.智能語音外呼系統在公共衛生服務中的應用實踐［J］.中國衛生信息管理雜志，2023，20（2）：285-289.

［10］夏遠親，王建剛，王桂蓮，等.健康管理智能語音檢后追訪平臺的構建［J］.醫療裝備，2023，36（17）：26-28，40.

［11］MOHAMMEDA，ACHEAMPONGPR，OTUPIRIE，etal.Symptommonitoringofchildhoodillnessesandreferrals：apilotstudyonthefeasibilityofamobilephone-basedsystemasadiseasesurveillancetoolinaruralhealthdistrictofGhana［J］.HealthInformaticsJ，2020，26（2）：1465-1476.

［12］PARIYOGW，GREENLEAFAR，GIBSONDG，etal.Doesmobilephonesurveymethodmatter？Reliabilityofcomputer-assistedtelephoneinterviewsandinteractivevoiceresponsenon-communicablediseasesriskfactorsurveysinlowandmiddleincomecountries［J］.PLoSOne，2019，14（4）：e0214450.

通信作者：

吳萃：上海市寶山區疾病預防控制中心慢一科科長

E-mail：25850569@qq.com

程旻娜：上海市疾病預防控制中心慢性病與傷害防治所健康管理科科長

E-mail：chengminna@scdc.sh.cn

收稿日期：2024-09-06

修回日期：2024-10-08

責任編輯：任紅霞

DOI：10.13912/j.cnki.chqm.2025.32.3.19

*基金項目：上海市公共衛生體系建設三年行動計劃（2023-2025年）（編號：GWVI-8）

1上海市寶山區疾病預防控制中心上海201901

2上海市疾病預防控制中心慢性病與傷害防治所上海200336