近十年人工智能在國內(nèi)護理領域的應用現(xiàn)狀

沈 明，徐佳慧，錢志剛

(蚌埠醫(yī)學院研究生院，安徽 蚌埠 233030)

人工智能(artificial intelligence，AI)于1956年由McCarthy[1]首次提出，是通過模擬人類，創(chuàng)造出具有智能的應用系統(tǒng)和機器，或?qū)χ悄鼙旧磉M行研究、記錄、再現(xiàn)的一門新興技術學科[2]。AI深入各行各業(yè)，發(fā)展日新月異，中、美、日等國已出臺相關政策將人工智能擢升到國家高度[3]。2017年3月，中國政府首次將人工智能寫入報告[4]；《國務院辦公廳關于促進“互聯(lián)網(wǎng)+醫(yī)療健康”發(fā)展的意見》[5]中指出，要不斷探索和建設以人工智能技術為基礎的新護理治療模式。隨著社會人口不斷增長，就醫(yī)群體逐漸擴大，致使護理人力資源緊缺，對智能護理技術呼聲日益增高，AI技術可滿足大眾對護理服務的需求，減輕護理人員勞動強度，提升護理服務水平，AI的快速發(fā)展將對護理模式的改變產(chǎn)生重大而深遠的影響[6]。本文通過CSCD對國內(nèi)人工智能在護理領域有關文章進行文獻計量和共詞分析，旨在剖析當前國內(nèi)人工智能在護理領域已有的研究成果和熱點。

1 資料與方法

1.1 文獻來源和檢索方法以CNKI作為國內(nèi)文獻檢索數(shù)據(jù)庫，以“期刊數(shù)據(jù)庫”為檢索平臺，在高級檢索中檢索：主題=“護理”或者“護士”并且主題=“人工智能”或者主題=“機器人”；主題=“智能護理”。為提高納入文獻質(zhì)量，將來源類別設置為“CSCD”，限定條件中文，檢索時限為2010年1月至2019年10月，檢索時間為2019年10月15日。共檢索出相關文獻399篇。其中2019年文獻檢出量小于實際年刊出總量。

1.2 文獻納入和排除標準納入標準：文獻內(nèi)容關于人工智能在國內(nèi)護理領域的研究。排除標準：(1)重復刊載的文獻；(2)人工智能在護理領域弱相關的文獻；(3)會議綜述、新聞報道、論壇、報紙評論、廣告等非研究性文獻。

1.3 研究工具和研究方法Bicomb 2.0[7]可以將文獻年份、作者、期刊、關鍵詞等重要信息進行提取、統(tǒng)計、創(chuàng)建詞篇矩陣；SPSS 25.0統(tǒng)計軟件可以將詞篇矩陣轉(zhuǎn)換成相關矩陣，進行聚類分析。文獻計量是一種定量分析方法，以文獻的外在特質(zhì)如年份、作者、關鍵詞、基金、期刊等作為研究對象，采用統(tǒng)計學來描述研究文獻的整體波動趨勢和相互因果關系[8]。共詞分析法[9]是主要通過定位不同文獻中的相同關鍵詞，判別這一領域中不同核心的聯(lián)系，因而構(gòu)建出該領域的邏輯框架。

1.4 提取資料及統(tǒng)計學分析瀏覽標題和摘要部分，由2名評價員單獨按照排除標準進行判斷，意見不一致時，由第三人仲裁，最終得到樣本文獻134篇。主要提取步驟：(1)利用CNKI導出功能，以NoteFirst格式導出134篇有效文獻的文本信息；(2)導入Bicomb 2.0，提取題名、作者、刊出年份、期刊來源和關鍵詞信息進行文獻計量；(3)在Bicomb 2.0中分析刪除部分無意義關鍵詞以及合并部分相似關鍵詞，構(gòu)建高頻詞詞篇矩陣；(4)將詞篇矩陣導入SPSS 25.0轉(zhuǎn)換成相關矩陣，進行聚類分析。

2 結(jié)果

2.1 文獻計量

2.1.1 年代分布 2010年至2019年CSCD數(shù)據(jù)庫共收錄人工智能在護理領域相關文獻134篇，由圖1可見，2010年至2019年國內(nèi)人工智能在護理領域有關文章刊載量總體趨向上升。2010年至2012年處于低產(chǎn)期，共刊發(fā)18篇，占總篇數(shù)比例13.43%；2013年至2017年處于平穩(wěn)增長期，共刊發(fā)74篇，占總篇數(shù)比例54.01%；2018年達到高峰，全年刊發(fā)文獻26篇，約占總篇數(shù)的19.40%。因統(tǒng)計時間為2019年10月，所以2019年論文數(shù)量統(tǒng)計不完全，暫不納入分析。

圖1 2010年至2019年有關“人工智能在護理領域研究”的論文量隨時間的變化

2.1.2 作者分布 發(fā)表人工智能在護理領域相關文獻的作者共計494名，經(jīng)統(tǒng)計發(fā)文量為1篇的著者共有471名，累計發(fā)文量占83.57%?，F(xiàn)將我國人工智能護理領域研究發(fā)文前6位作者列于表1。由表1可見，發(fā)文量三篇以上的作者為胡志剛等6位作者，累計發(fā)文量占16.43%。

表1 發(fā)表有關“人工智能在護理領域研究”論文的高產(chǎn)作者

2.1.3 期刊分布 通過對人工智能護理領域相關文獻期刊來源的統(tǒng)計，發(fā)現(xiàn)期刊分布范圍較廣，134篇人工智能護理領域文獻分布在44種期刊中，表2顯示4本刊載人工智能在護理領域相關論文13篇以上期刊的分布情況，總文獻量69篇，累計刊載量占51.49%，《護理學雜志》刊發(fā)量24篇，位列第1。

表2 發(fā)表有關“人工智能在護理領域研究”論文的期刊分布情況

2.2 共詞分析

2.2.1 提取高頻關鍵詞 利用Bicomb 2.0共提取關鍵詞522個。為防止詞頻統(tǒng)計中關鍵詞因表達不規(guī)范或涵義廣泛影響最終結(jié)果，將詞義相同或相近的關鍵詞進行合并和剔除定義過于寬泛的關鍵詞。如將“達芬奇機器人手術系統(tǒng)”、“達芬奇機器人”、“機器人手術”等統(tǒng)一命名為“手術機器人”；將“應用現(xiàn)狀”、“效果”、“綜述”等涵義過于寬泛的關鍵詞剔除；由于在采用的主題詞為“護理”、“護士”、“人工智能”和“機器人”，出現(xiàn)的頻次為49詞，線條過粗，并且沒有過多的意義，因此將其在關鍵詞列表中去除。通過雙人反復校對和修訂，最終得到有效關鍵詞463個。根據(jù)孫清蘭教授的詞頻估計法[10]，最終確定30個詞頻≥2的高頻關鍵詞(見表3)，占有效關鍵詞的33.05%。這30個高頻關鍵詞在較大程度上反映近十年我國AI在護理領域的熱點。

表3 有關“人工智能在護理領域研究”論文高頻關鍵詞

2.2.2 構(gòu)建詞篇矩陣 在Bicomb 2.0中將高頻關鍵詞創(chuàng)建出30×30的詞篇矩陣。表4為部分詞篇矩陣，第一行為文章相應序號，第一列是高頻關鍵詞，數(shù)值“1”表示在相應序號的文獻中有關鍵詞；數(shù)值“0”則表示沒有[11]。例如手術機器人在編號01和05下為1，則表明其作為關鍵詞在編號01和05相對應的文章中出現(xiàn)過。這種0和1的簡單數(shù)字有利于后期校正和數(shù)據(jù)分析。

表4 高頻詞詞篇矩陣(部分)

2.2.3 轉(zhuǎn)換相關矩陣 將詞篇矩陣導入SPSS 25.0轉(zhuǎn)換成相關矩陣。Ochiai相關系數(shù)的值在0-1之間，表示關鍵詞x和y共同出現(xiàn)的概率，數(shù)值的大小代表了兩個關鍵詞之間的相似度，數(shù)值越接近于1，表明兩個關鍵詞越相似[12]。如表5所示，手術機器人與老年人、手術機器人與護理配合的Ochiai系數(shù)分別為0、0.373，這表明研究樣本中“老年人”“護理配合”與“手術機器人”所表示的相異度較大。此外，老年人與護理機器人的Ochiai系數(shù)0.222大于老年人與智能監(jiān)護的Ochiai系數(shù)0.111，這在一定程度上表明老年人與護理機器人的相似程度大于智能監(jiān)護的相似度，也就是說護理機器人在老年人護理領域更受研究者關注。

表5 高頻詞相關矩陣(部分)

2.3 聚類分析在SPSS 25.0軟件中，將相關矩陣選擇聚類得到高頻詞聚類樹狀圖(圖2)[13]。根據(jù)組間聯(lián)接標度距離將圖2進行劃線區(qū)分為6類：第一類，教學機器人、教學實訓、實習護生、護理教育、移動學習；第二類，臨床護理、智能輸液系統(tǒng)、靜脈藥物配置機器人；第三類，信息系統(tǒng)、臨床決策支持系統(tǒng)、護理信息化、大數(shù)據(jù)、護理管理、移動護理、智能手機、延續(xù)護理、患者；第四類，手術機器人、護理配合、手術護理；第五類，老年人、服務機器人、護理機器人、衛(wèi)生護理機器人；第六類，智能監(jiān)護、康復機器人、輔助機器人、可穿戴設備、智能護理床、老年護理。從整體上將國內(nèi)人工智能在護理領域的熱點依次歸納為護理教育、臨床護理、護理管理、手術護理，其中第五類和第六類為老年護理，占比最多。

圖2 高頻詞聚類樹狀圖

3 討論

3.1 人工智能應用整體呈上升趨勢我國人工智能在護理領域起步較晚，1987年[14]一篇介紹國外人工智能研究新進展的文章刊登，開啟了我國對AI護理的認知先河。此后整體呈現(xiàn)出緩慢上升趨勢，2017年稍有回落，在經(jīng)過短暫調(diào)整后，2018年AI在護理領域研究又得到廣泛關注，到達新高度，成為熱點，可能與國務院于2017年圍繞人工智能在醫(yī)療健康領域的應用頒布《國務院關于印發(fā)新一代人工智能發(fā)展規(guī)劃的通知》[15]等文件有關。

3.2 人工智能應用研究深度尚待加強在我國，目前大部分研究學者的發(fā)文量為1篇，大多數(shù)作者對人工智能應用方面沒有專項研究，重在描述已有成果，且學者群體較為分散。究其原因可能與我國AI應用研究時間較短，深度不夠，與國外相比，尚存在較大進步空間。并且刊載相關文章的核心雜志較為局限，也側(cè)面反映出現(xiàn)階段AI技術對社會的深遠影響未能有效呈現(xiàn)，公眾認知度還不夠高。主要分布在《護理學雜志》《中國護理管理》《中華護理雜志》和《解放軍護理雜志》，組成了人工智能護理領域研究的熱門期刊。

3.3 人工智能應用廣度呈多元化

3.3.1 在護理教育中的應用 越來越多的人工智能教育輔助工具被應用于教育領域，成為教師教學和學生學習的得力助手，包括智能助理、教育機器人和智能導師系統(tǒng)等等[16]。智能助理可以幫助教師完成課堂輔助性或重復性的工作，如點名、監(jiān)考、收發(fā)試卷和整理資料等，可減輕教師負擔，提高工作效率[17]。教育機器人既可以吸引學生的注意力，又可以在實訓教學中高度仿真，將抽象概念具象化，有利于護生熟悉操作[18]。護理教師還可以通過智能導師系統(tǒng)實時追蹤護生的學習狀態(tài)，對每個階段的表現(xiàn)進行統(tǒng)計和分析，從而制定個性化教程，以提升護理教育的質(zhì)量；護生則可實現(xiàn)移動學習，實時互動交流，及時答疑解惑[19]。

3.3.2 在臨床護理中的應用 AI在臨床護理中的應用從輔助護士工作和幫助患者康復出發(fā)，優(yōu)化護理流程。智能輸液系統(tǒng)通過監(jiān)控輸液設備，實現(xiàn)控制輸液滴速、加溫藥液、應急報警等功能，融入信息管理系統(tǒng)，能對患者檔案和藥物信息記錄管理，減少護理人員工作量[20]。智能靜脈藥物配置機器人通過保持潔凈環(huán)境、精準配置藥物、記錄藥物信息和處理廢棄藥液一系列流程，大大減輕靜脈藥物配置中心和腫瘤病房護士的工作強度，杜絕職業(yè)暴露帶來的危險[21]，使護士有更多的時間和精力投入病人的疾病治療管理中。

3.3.3 在護理管理中的應用 智能化的工作方式相比于傳統(tǒng)工作方式，具有提高護理管理水平和減少護理差錯事故等優(yōu)點。護理決策支持系統(tǒng)能夠協(xié)助護士制定護理計劃，快速判斷臨床險況[22]。還可以與結(jié)構(gòu)化護理電子病歷系統(tǒng)相結(jié)合，在以往病歷基礎上植入評估高危因素、制定護理計劃、健康宣教和智能警報功能[23]。移動護理信息系統(tǒng)通過移動護士工作站實現(xiàn)住院患者評估信息錄入查詢、全稱跟蹤醫(yī)囑執(zhí)行情況、統(tǒng)計護士工作量等功能，可以識別病人信息、減少醫(yī)療差錯、考核護理工作，為護理績效管理和人力資源合理分配提供依據(jù)[24]。

3.3.4 在手術護理中的應用 除達芬奇手術機器人系統(tǒng)下所進行的圍手術期護理配合外，手術室物流機器人系統(tǒng)和護理信息管理系統(tǒng)等形式為智能化手術室的構(gòu)建提供了有利條件。在物聯(lián)網(wǎng)技術下應用手術室智能物流機器人系統(tǒng)，自動完成手術室耗材采購、入庫、領取、配送、盤貨，既可以減輕護士的工作量，又可實現(xiàn)智慧物流和精細化管理[25]。手術室護理管理信息系統(tǒng)為提高患者轉(zhuǎn)接率、壓瘡風險評估準確性和活檢標本管理等環(huán)節(jié)提供平臺，提高了手術室效率[26]。

3.3.5 在老年護理中的應用 在實際情況中，“養(yǎng)老”作為一種必然趨勢，是到目前為止基于AI在護理領域探索最多的絕對熱點，主要涵蓋醫(yī)院、家庭和養(yǎng)老機構(gòu)三個地點，涉及人員護士，家庭成員和養(yǎng)老機構(gòu)職工[27]。AI技術主要用于對失能老年人的康復與輔助功能，例如爬樓梯。不同類型的智能護理機器人，如慢性病管理機器人、陪伴機器人、康復機器人、輔助移動機器人以及遠程監(jiān)測機器人等，被相應運用到糖尿病等慢性疾病管理、孤寡老人日常生活陪伴與娛樂、骨折配合理療康復、失能殘障老人輔助行走和醫(yī)護人員遠程監(jiān)控家庭療養(yǎng)老人，能有效消除老年人孤獨情緒和維護身體健康等，提高晚年生命質(zhì)量[28]。

4 結(jié)語

本文以國內(nèi)人工智能在護理領域的相關文獻為基礎，進行文獻計量和共詞分析。在文獻計量過程中發(fā)現(xiàn)，我國人工智能的應用整體呈上升趨勢，且輻射范圍逐漸擴大，體現(xiàn)我國醫(yī)療行業(yè)對AI的高度認可，但存在應用時間較短、研究深度不足、期刊種類較為局限等缺點。于共詞分析過程中表明，AI劃分為教育、臨床、管理、護理和老年五大護理領域，涉及教學、診斷、治療、監(jiān)測、康復、預測多個功能，提供了高質(zhì)量護理服務。本文的研究存在一定的局限性。首先，檢索詞是按照主觀理解選擇的，雖然某些程度上能保證文獻的檢準率，但是不能保證文獻的檢全率。其次，由于文獻的發(fā)表具有滯后性，一些現(xiàn)有的低頻關鍵詞也有可能是后期的研究重點，本研究的數(shù)據(jù)只選取了CSCD數(shù)據(jù)庫，并不能完全代表國內(nèi)相關的研究成果?，F(xiàn)有文獻大多著重描述已有AI應用成果，針對具體技術研究較少，此外，目前國內(nèi)缺乏相關法律法規(guī)、存在諸多倫理問題、潛在安全風險等不足，應鼓勵護理人員主動學習與參與AI應用，有關部門制定相應法律法規(guī)，實現(xiàn)智能護理，最終促進護理學科發(fā)展。