人工神經(jīng)網(wǎng)絡(luò)在護(hù)理領(lǐng)域的應(yīng)用研究進(jìn)展

周丹，尹安春

近年來，隨著信息化技術(shù)與醫(yī)療衛(wèi)生領(lǐng)域的不斷融合，人工智能(Artificial Intelligence，AI)醫(yī)療已從前沿技術(shù)逐步轉(zhuǎn)變到現(xiàn)實應(yīng)用階段。2017年7月，國務(wù)院發(fā)布的《新一代人工智能發(fā)展規(guī)劃》中提出，國家要完善適應(yīng)人工智能技術(shù)的醫(yī)療政策體系、重點任務(wù)、保障措施等，并加快創(chuàng)新應(yīng)用，以緩解就醫(yī)診療困難、提升公眾健康水平[1]。目前，人工智能技術(shù)已在疾病預(yù)測與診斷、慢性疾病管理與護(hù)理、醫(yī)學(xué)影像識別等方面廣泛應(yīng)用，其中人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)算法是實現(xiàn)這一過程的重要手段，通過利用計算機(jī)高效挖掘大量電子健康記錄(Electronic Health Record，EHR)的深層信息，從而進(jìn)行自主學(xué)習(xí)與訓(xùn)練，構(gòu)建各系統(tǒng)疾病的精準(zhǔn)預(yù)測、診斷及預(yù)后等模型，進(jìn)而指導(dǎo)臨床醫(yī)療護(hù)理工作。本文針對人工神經(jīng)網(wǎng)絡(luò)在護(hù)理領(lǐng)域中的發(fā)展與應(yīng)用研究進(jìn)行綜述，指出我國護(hù)理信息學(xué)發(fā)展的局限性，并分析未來的挑戰(zhàn)與應(yīng)對，以期為我國基于人工神經(jīng)網(wǎng)絡(luò)的護(hù)理領(lǐng)域研究提供參考依據(jù)。

1 人工神經(jīng)網(wǎng)絡(luò)相關(guān)概述

人工神經(jīng)網(wǎng)絡(luò)是由神經(jīng)元(感知器)通過突觸(權(quán)重)連接而形成的多層復(fù)雜模型，是一種通過模擬人腦的學(xué)習(xí)過程而進(jìn)行機(jī)器學(xué)習(xí)、模式識別和預(yù)測的數(shù)學(xué)模型[2]。與傳統(tǒng)的邏輯回歸預(yù)測模型相比，ANN的優(yōu)勢在于：①通過計算機(jī)運算有效且科學(xué)地處理和分析醫(yī)學(xué)、護(hù)理模型中復(fù)雜的非線性關(guān)系；②可通過多種可用的訓(xùn)練算法檢測醫(yī)學(xué)或護(hù)理模型中預(yù)測變量之間所有可能的交互作用；②所構(gòu)建預(yù)測模型的精確度、靈敏度及特異度較高[3]。ANN典型網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，其中第1層稱為輸入層，它由許多神經(jīng)元(或節(jié)點)組成，這些神經(jīng)元(或節(jié)點)代表了所分析的醫(yī)學(xué)或護(hù)理預(yù)測模型中的自變量，因此，確定輸入變量是構(gòu)建預(yù)測模型的關(guān)鍵；最后一層是輸出層，可導(dǎo)出預(yù)測模型的結(jié)果，此層中的節(jié)點數(shù)量取決于預(yù)期結(jié)果的分類；在輸入層和輸出層之間有多個隱層，確定隱層的神經(jīng)元數(shù)量也是重中之重。ANN的輸入層、隱層及輸出層之間的連接是“突觸”，數(shù)學(xué)上稱為權(quán)重，它的作用是表述輸入變量與預(yù)期輸出變量之間錯綜復(fù)雜的非線性關(guān)系。研究者可將EHR拆分為訓(xùn)練庫與測試庫，之后利用訓(xùn)練數(shù)據(jù)庫讓ANN進(jìn)行自我學(xué)習(xí)，得出初始預(yù)測模型，最后將測試庫數(shù)據(jù)的變量帶入預(yù)測模型中，以驗證該模型的精準(zhǔn)度。近年來，越來越多的醫(yī)療及工程專家將ANN算法應(yīng)用于醫(yī)學(xué)、護(hù)理領(lǐng)域研究，如疾病的診斷、疾病預(yù)后的預(yù)測、護(hù)理不良事件的預(yù)測等。

圖1 ANN典型網(wǎng)絡(luò)結(jié)構(gòu)

2 人工神經(jīng)網(wǎng)絡(luò)在護(hù)理領(lǐng)域中的應(yīng)用進(jìn)展

2.1人工神經(jīng)網(wǎng)絡(luò)在護(hù)理不良事件管理中的應(yīng)用 護(hù)理不良事件是指護(hù)理過程中發(fā)生的不在計劃中的意外事件，可導(dǎo)致患者受到傷害或殘疾、延長患者住院時間等不良結(jié)局，如壓瘡、跌倒、非計劃性拔管等[4-5]。國內(nèi)外已有研究者應(yīng)用ANN算法構(gòu)建出部分護(hù)理不良事件的預(yù)測模型，目的是通過該模型科學(xué)地識別發(fā)生不良事件的高危患者，并有針對性地制定干預(yù)計劃，以消除安全隱患，降低護(hù)理不良事件發(fā)生率。

手術(shù)過程中，患者會因制動時間長、麻醉等因素導(dǎo)致手術(shù)相關(guān)壓力性損傷(Surgery-Related Pressure Injury，SRPI)，也稱為壓瘡，SRPI發(fā)生率也是評價手術(shù)室護(hù)理質(zhì)量的重要指標(biāo)[6]，護(hù)理人員在減少SRPI發(fā)生率的過程中起到舉足輕重的作用。Chen等[7]將149例接受過心血管手術(shù)的患者按3∶1的比例隨機(jī)分入訓(xùn)練庫與測試庫，構(gòu)建可準(zhǔn)確預(yù)測SRPI的ANN模型。結(jié)果顯示，患者年齡、疾病種類、手術(shù)時間、圍手術(shù)期是否使用糖皮質(zhì)激素是最重要的4個預(yù)測變量。該模型可幫助護(hù)理人員準(zhǔn)確識別心血管手術(shù)患者中發(fā)生SRPI的高危人群，并實施干預(yù)措施，可降低SRPI的發(fā)生率、改善手術(shù)預(yù)后。除壓力性損傷外，跌倒也是醫(yī)院內(nèi)常見的護(hù)理不良事件之一，在老年患者群體中較常見，嚴(yán)重者可延長患者不必要的住院時間，增加醫(yī)療成本，影響健康結(jié)局，且醫(yī)院夜班時護(hù)理人員相對不足，導(dǎo)致跌倒管理已成為臨床護(hù)理工作中的難題。Beauchet等[8]將急診病房的848例老年患者納入研究，采用ANN算法有效處理住院跌倒危險因素中非線性、復(fù)雜的交互關(guān)系。Lee等[9]同樣是通過ANN對護(hù)理不良事件報告系統(tǒng)中的數(shù)據(jù)進(jìn)行挖掘，構(gòu)建跌倒預(yù)測模型。2項研究結(jié)果均顯示，與經(jīng)典的邏輯回歸方法相比，ANN模型可提高跌倒預(yù)測的準(zhǔn)確性、敏感性與特異性。

相比較而言，在傳統(tǒng)的臨床工作中，我國護(hù)理人員大多通過經(jīng)驗或量表來評估患者發(fā)生不良事件的風(fēng)險，如Braden量表、Norton量表、Berg平衡量表等，但其預(yù)測價值一般，并未有效降低臨床護(hù)理不良事件的發(fā)生率[10-12]。究其原因，護(hù)理不良事件的發(fā)生并非是幾個因素間簡單線性關(guān)系導(dǎo)致的，而是由多個因素之間復(fù)雜的非線性關(guān)系所致，傳統(tǒng)的量表評估工具是無法剖析因素間的交互關(guān)系，另外護(hù)理人員的工作經(jīng)驗與直覺具有主觀性而缺乏科學(xué)性，也可能會因工作忙或其他原因而忽略個別信息的采集，導(dǎo)致很難準(zhǔn)確識別高風(fēng)險群體。而基于ANN的預(yù)測模型可有效處理引發(fā)護(hù)理不良事件因素中復(fù)雜的交互關(guān)系[13]，幫助護(hù)理人員挖掘相關(guān)數(shù)據(jù)，并識別出高?；颊?。由此，醫(yī)療機(jī)構(gòu)應(yīng)重視護(hù)理學(xué)與工學(xué)的有效結(jié)合，廣泛開發(fā)基于ANN的護(hù)理不良事件報告系統(tǒng)，并進(jìn)行精準(zhǔn)干預(yù)，可充分提高工作效率，緩解我國護(hù)理人力資源短缺。

2.2人工神經(jīng)網(wǎng)絡(luò)在延續(xù)護(hù)理中的應(yīng)用 《全國護(hù)理事業(yè)發(fā)展規(guī)劃(2016-2020年)》[14]指出，為出院患者提供延續(xù)性護(hù)理服務(wù)，并延伸至社區(qū)、家庭、建立醫(yī)院、基層醫(yī)療機(jī)構(gòu)和老年護(hù)理服務(wù)機(jī)構(gòu)之間的合作，以保障護(hù)理服務(wù)的連續(xù)性。ANN算法通過處理出院患者的大量數(shù)據(jù)信息，為護(hù)理人員實施有效延續(xù)護(hù)理提供新的思路。目前，ANN已被應(yīng)用于延續(xù)護(hù)理服務(wù)中，目的是科學(xué)、有效地提高患者的生存質(zhì)量，降低病死率。

Shi等[15]構(gòu)建、驗證了基于ANN的乳腺癌患者術(shù)后2年生活質(zhì)量的預(yù)測模型，并與傳統(tǒng)的邏輯回歸模型進(jìn)行精準(zhǔn)度對比。結(jié)果顯示，邏輯回歸模型在處理輸入變量間潛在的交互作用中存在局限性，而ANN模型可更加準(zhǔn)確地預(yù)測乳腺癌患者術(shù)后的生活質(zhì)量，且挖掘出術(shù)前功能狀態(tài)是乳腺癌患者術(shù)后生活質(zhì)量最重要的預(yù)測變量。該模型的建立將幫助護(hù)理人員對乳腺癌手術(shù)患者進(jìn)行個體化的延續(xù)護(hù)理，可成為有效的臨床決策輔助工具。Sullivan等[16]基于ANN算法，通過訓(xùn)練常規(guī)收集的護(hù)理評估數(shù)據(jù)，建立并驗證可預(yù)測居家老人12個月死亡率的模型，此模型可幫助家庭護(hù)理人員早期識別有死亡風(fēng)險的老人，并為其制定個體化的居家護(hù)理計劃，以延緩其進(jìn)展，提高生存質(zhì)量，增加社會效益與經(jīng)濟(jì)效益。除上述之外，ANN也可用于社區(qū)老年人再次跌倒的預(yù)測。社區(qū)老年人出現(xiàn)再次跌倒的發(fā)生率約為25%[17]，Kabeshova等[18]采用ANN算法對3 289名社區(qū)老人的臨床變量(助行器、使用鈣劑、認(rèn)知功能障礙、抑郁等15個)進(jìn)行數(shù)據(jù)處理，最終構(gòu)建了高精準(zhǔn)度的社區(qū)老人再次跌倒預(yù)測模型，可為社區(qū)護(hù)理人員提供有效的預(yù)防跌倒管理工具，識別再次跌倒的高危人群，以提高社區(qū)老人的生存質(zhì)量，提升延續(xù)護(hù)理服務(wù)滿意度。

傳統(tǒng)的延續(xù)護(hù)理主要以電話隨訪和家庭訪視為主，但其護(hù)理模式具有局限性，缺乏完善的系統(tǒng)支持，且人力資源消耗大，信息收集量小，實施效果不佳[19]。大數(shù)據(jù)時代下的延續(xù)護(hù)理勢必要借助護(hù)理信息化平臺實施，我國應(yīng)全面開展智慧化延續(xù)護(hù)理模式，如通過“互聯(lián)網(wǎng)+”平臺獲取、管理海量的數(shù)據(jù)信息并建立規(guī)范化數(shù)據(jù)庫，再通過ANN算法對數(shù)據(jù)進(jìn)行深層挖掘處理，以發(fā)現(xiàn)工作中需要的潛在信息，幫助護(hù)理人員高效、科學(xué)地開展延續(xù)護(hù)理服務(wù)。另外，我國也應(yīng)逐步加強(qiáng)基層醫(yī)療機(jī)構(gòu)以及社區(qū)護(hù)理人員的智慧化護(hù)理意識，開展相關(guān)培訓(xùn)，并引進(jìn)相關(guān)護(hù)理信息學(xué)人才，盡早實現(xiàn)全國范圍內(nèi)的智慧化延續(xù)護(hù)理。

2.3人工神經(jīng)網(wǎng)絡(luò)在慢性病管理中的應(yīng)用 慢性病已成為全球危害人類健康的重大公共衛(wèi)生問題，慢性病的信息化管理也成為護(hù)理人員的重要挑戰(zhàn)。Wang等[20]采集了阿爾茨海默病(Alzheimer Disease，AD)協(xié)調(diào)中心數(shù)據(jù)庫中12年間5 432例AD患者的病例信息，采用了ANN算法中基于時間序列的循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network，RNN)算法來處理患者不同的就診次數(shù)和不均勻的時間間隔，并預(yù)測AD的進(jìn)展情況。研究結(jié)果表明，該模型對下一次就診時AD病情進(jìn)展預(yù)測的準(zhǔn)確率超過99%，明顯優(yōu)于其他預(yù)測方法。其中，RNN算法的優(yōu)勢在于，可有效處理時間序列數(shù)據(jù)，且擅長捕捉縱向時間模式[21-22]，非常適合通過有效利用患者縱向數(shù)據(jù)間的時間關(guān)系建模并預(yù)測臨床事件[23-26]。

目前，我國的信息化慢性病管理已有一定的基礎(chǔ)[27]，各個醫(yī)療機(jī)構(gòu)也致力于慢性病管理信息系統(tǒng)平臺的建立，醫(yī)患雙方均可根據(jù)系統(tǒng)要求實時上傳病歷信息，研究者多采用傳統(tǒng)邏輯回歸算法或人工智能工具對電子健康記錄進(jìn)行深度學(xué)習(xí)，以建立慢性病進(jìn)展的預(yù)測模型，從而指導(dǎo)護(hù)理人員進(jìn)行疾病管理。但慢性病患者的臨床進(jìn)展大多會隨著時間的推移不斷變化，大部分研究者所構(gòu)建的模型并未利用慢病患者既往病歷或EHR中與時間相關(guān)的數(shù)據(jù)信息來預(yù)測疾病的未來狀態(tài)。因此，護(hù)理人員應(yīng)充分理解RNN算法的優(yōu)勢，充分挖掘慢性病患者歷史就診的內(nèi)在時間和護(hù)理模式，探索與構(gòu)建可準(zhǔn)確預(yù)測慢性病進(jìn)展的預(yù)測模型，且有針對性地為患者實施科學(xué)的慢病管理，以延緩病情進(jìn)展，改善健康結(jié)局。

2.4人工神經(jīng)網(wǎng)絡(luò)在護(hù)理管理中的應(yīng)用 人際溝通能力已成為現(xiàn)代護(hù)理人才的核心能力之一，也是護(hù)理管理者量化考核指標(biāo)之一[28-29]。護(hù)理人員的有效溝通可改善護(hù)患關(guān)系，避免臨床工作中的出錯風(fēng)險，提高護(hù)理質(zhì)量與服務(wù)滿意度。因此，確定溝通風(fēng)險的預(yù)測因素非常重要。Bagnasco等[30]利用ANN對多中心急診室的840名護(hù)理人員進(jìn)行研究，輸入變量為年齡、性別、急診室工作年資、教育程度、專業(yè)資質(zhì)和所工作醫(yī)院結(jié)構(gòu)，輸出變量為溝通時的術(shù)語、傾聽、注意力和清晰度。研究者通過ANN算法對輸入、輸出變量進(jìn)行深度學(xué)習(xí)，構(gòu)建可用于早期預(yù)測急診室護(hù)患溝通風(fēng)險的ANN模型，輔助護(hù)理管理者在溝通障礙發(fā)生前采取有針對性的干預(yù)措施，以避免因溝通風(fēng)險導(dǎo)致的護(hù)患安全問題和糾紛問題。除此之外，ANN算法也用于構(gòu)建預(yù)檢分診、護(hù)理決策和護(hù)士職業(yè)倦怠預(yù)測模型。Zlotnik等[31]基于曼徹斯特分診系統(tǒng)，應(yīng)用ANN對某醫(yī)院急診科的153 970例患者的病歷數(shù)據(jù)庫進(jìn)行訓(xùn)練與學(xué)習(xí)，驗證并構(gòu)建急診患者入院護(hù)理決策預(yù)測模型，同時在模型基礎(chǔ)上建立自動化預(yù)測急診患者入院決策支持系統(tǒng)。該預(yù)測模型及系統(tǒng)的建立可為護(hù)理管理者提供早期預(yù)警及臨床護(hù)理決策，提前高效安排護(hù)理人員的工作流程，節(jié)省人力資源。Ladstatter等[32]同樣采用ANN算法建立護(hù)士職業(yè)倦怠感預(yù)測模型，結(jié)果顯示，與傳統(tǒng)回歸模型相比，ANN預(yù)測模型可更高效地幫助護(hù)理管理者識別職業(yè)倦怠感較高的群體，為干預(yù)措施提供數(shù)據(jù)支持。

近年來，我國的信息化護(hù)理管理模式已逐步開展，主要體現(xiàn)在電子病歷系統(tǒng)、護(hù)理績效考核與分配、護(hù)理質(zhì)量監(jiān)控等，但管理模式層面較宏觀，并未深度挖掘數(shù)據(jù)信息中多個變量間潛在的非線性關(guān)系。然而ANN算法為信息化護(hù)理管理的發(fā)展提供了新的契機(jī)，可對每類管理系統(tǒng)中的數(shù)據(jù)集進(jìn)行深度分析，使管理者更科學(xué)、更優(yōu)化地拓展護(hù)理管理新模式，使護(hù)理管理做到真正意義上的有理可依、有據(jù)可循。

2.5人工神經(jīng)網(wǎng)絡(luò)在護(hù)理教育中的應(yīng)用 高校大學(xué)生的學(xué)業(yè)失敗問題已引起社會、學(xué)校、家長的高度重視，一方面耗費資源，另一方面可引起大學(xué)生的心理、社會問題。Teshnizi等[33]將275名助產(chǎn)和護(hù)理專業(yè)本科學(xué)生作為研究對象，運用傳統(tǒng)邏輯回歸模型和ANN模型對影響學(xué)業(yè)失敗的輸入變量進(jìn)行分析，以學(xué)生各學(xué)期的平均績點是否合格作為輸出變量，并比較兩種模型對護(hù)理與助產(chǎn)專業(yè)學(xué)生學(xué)業(yè)失敗的預(yù)測效能，研究結(jié)果顯示，ANN預(yù)測模型具有較好精準(zhǔn)度，可輔助護(hù)理院校教師篩選出發(fā)生學(xué)業(yè)失敗的重點學(xué)生，有針對性地實施干預(yù)措施，避免學(xué)生陷入學(xué)業(yè)困境，減輕心理焦慮。

目前，我國的護(hù)理教育信息化迅速發(fā)展，高校均通過多種線上、線下教學(xué)模式來提高學(xué)生的學(xué)習(xí)興趣，如大規(guī)模開放在線課程、小規(guī)模限制性在線課程、雨課堂等。但這些教學(xué)模式只能在一定程度上提升學(xué)生的學(xué)習(xí)依從性，并不能幫助教師從根本上識別學(xué)習(xí)興趣不足的學(xué)生群體或相關(guān)影響因素。鑒此，ANN算法可以對護(hù)理教育的相關(guān)體系進(jìn)行模式識別，發(fā)現(xiàn)護(hù)理教育中各項影響因素潛在的相關(guān)聯(lián)系，預(yù)測學(xué)生的未來發(fā)展趨勢，有助于拓展科學(xué)、客觀的教學(xué)模式，從而使教師進(jìn)行有針對性且有效的教學(xué)，使護(hù)理專業(yè)學(xué)生更加健康成長。

3 未來的挑戰(zhàn)與應(yīng)對

隨著大數(shù)據(jù)、人工智能時代的迅速發(fā)展，我國護(hù)理學(xué)科的信息化建設(shè)尚處于發(fā)展和應(yīng)用的初級階段，與國外相比尚存在一定的差距。目前我國主要面臨的挑戰(zhàn)有兩點：首先是我國高校缺乏對護(hù)理中高級護(hù)理信息專業(yè)人才的培養(yǎng)[34-35]；第二是我國護(hù)理人員對信息化建設(shè)的重視度不高。因此，建議全力開展護(hù)理信息學(xué)的各個層次教育，提供專業(yè)的學(xué)習(xí)交流平臺，使其可有效利用ANN算法的信息化手段，并開展護(hù)理研究；同時我國醫(yī)療機(jī)構(gòu)的管理者應(yīng)加強(qiáng)護(hù)理人員智慧護(hù)理的科研意識，提供計算機(jī)信息技術(shù)的相關(guān)理論和技能培訓(xùn)，并積極提倡護(hù)理人員與計算機(jī)專業(yè)人員的跨學(xué)科合作。

4 小結(jié)

護(hù)理研究者已通過ANN算法為臨床護(hù)理、延續(xù)護(hù)理、慢病管理、護(hù)理管理以及護(hù)理教育等方面提供了豐富的信息化實踐，為患者或?qū)W生提供更精準(zhǔn)的個體化干預(yù)措施，實現(xiàn)了護(hù)理學(xué)科的信息化研究。我國護(hù)理信息研究的未來趨勢將會充分響應(yīng)國務(wù)院發(fā)布的《新一代人工智能發(fā)展規(guī)劃》，促進(jìn)人工智能技術(shù)(如ANN算法等)在護(hù)理領(lǐng)域中的應(yīng)用，以科學(xué)、精準(zhǔn)、高效、安全地照護(hù)患者為目標(biāo)，推動信息化護(hù)理學(xué)科的蛻變與發(fā)展。