護(hù)理領(lǐng)域人工智能的研究熱點(diǎn)與趨勢(shì)分析

黃雙雙 潘海鷗

(浙江省瑞安市人民醫(yī)院，浙江 瑞安 325000)

人工智能是使用計(jì)算機(jī)技術(shù)模擬人類行為能力的科學(xué)。計(jì)算機(jī)使用大量的訓(xùn)練數(shù)據(jù)來尋找關(guān)聯(lián)，然后將這些可能存在的關(guān)聯(lián)模式應(yīng)用到新的語音、感官和運(yùn)動(dòng)等行為管理中[1]。在醫(yī)療保健方面，人工智能的應(yīng)用包括篩查疾病病因，基于預(yù)測(cè)結(jié)果為患者提供治療方案以及基于遺傳、環(huán)境和社會(huì)因素的疾病風(fēng)險(xiǎn)計(jì)算等[2]。對(duì)于人工智能帶來的挑戰(zhàn)，護(hù)士需要了解護(hù)理過程中產(chǎn)生的數(shù)據(jù)意義，并參與護(hù)理大數(shù)據(jù)的管理，從而使人工智能更好地融入臨床護(hù)理服務(wù)，優(yōu)化護(hù)理實(shí)踐。與臨床醫(yī)生主導(dǎo)開展的大規(guī)模數(shù)據(jù)識(shí)別和自動(dòng)化研究不同[3]，于護(hù)理領(lǐng)域?qū)崿F(xiàn)的人工智能的相關(guān)研究尚較少。本研究通過收集Web of Science(WOS)數(shù)據(jù)庫(kù)中人工智能技術(shù)在護(hù)理領(lǐng)域應(yīng)用研究的外文文獻(xiàn)，通過分析其研究歷程和內(nèi)在關(guān)聯(lián)性，來了解相關(guān)的研究熱點(diǎn)及發(fā)展趨勢(shì)，從而指導(dǎo)國(guó)內(nèi)護(hù)理的人工智能研究的進(jìn)行。

1 資料與方法

1.1文獻(xiàn)檢索標(biāo)準(zhǔn) 納入標(biāo)準(zhǔn)：研究對(duì)象為人工智能或相關(guān)技術(shù)，并于護(hù)理領(lǐng)域開展的研究文獻(xiàn)。排除標(biāo)準(zhǔn)：會(huì)議紀(jì)要、新聞報(bào)道、編輯邀稿通告或系統(tǒng)重復(fù)記錄的研究文獻(xiàn)。

1.2文獻(xiàn)篩選流程 使用Web of Science核心數(shù)據(jù)庫(kù)，對(duì)護(hù)理領(lǐng)域人工智能技術(shù)應(yīng)用的相關(guān)文獻(xiàn)進(jìn)行主題檢索。Web of Science是一個(gè)數(shù)據(jù)庫(kù)的集合，索引了全球范圍內(nèi)社科、藝術(shù)和人文科學(xué)領(lǐng)域的高質(zhì)量學(xué)術(shù)文獻(xiàn)，這些文獻(xiàn)發(fā)表于期刊、會(huì)議記錄、專題討論會(huì)和研討會(huì)等。檢索時(shí)間為1994-2020年，檢索式為(“artificial intelligence” or “deep learning” or “machine learning”)AND(“nursing” or “nurse”)，共檢索到文獻(xiàn)845篇，為了更好地突出文獻(xiàn)蘊(yùn)含的信息，我們對(duì)845篇文獻(xiàn)進(jìn)行篩選，取出其中類型為Article和Review的文獻(xiàn)，共795篇，并對(duì)該795篇文獻(xiàn)進(jìn)行文獻(xiàn)計(jì)量學(xué)分析。

1.3文獻(xiàn)數(shù)據(jù)分析 將檢索并篩選后得到的795篇文獻(xiàn)導(dǎo)入Citespace 5.6.R1軟件，以關(guān)鍵詞為節(jié)點(diǎn)，將時(shí)間分區(qū)設(shè)置為1年。設(shè)置top N%的值為10%，即提取每年中被引次數(shù)最高的10%文獻(xiàn)。閾值(c/cc/ccv)分別設(shè)置為{(2/2/20)、(4/3/20)、(3/3/20)}，其中c表示最低被引次數(shù)，cc為共被引次數(shù)，ccv為規(guī)范化后的共被引次數(shù)。采用LLR算法，對(duì)數(shù)據(jù)進(jìn)行整合分析并作可視化呈現(xiàn)。

2 結(jié)果

2.1文獻(xiàn)一般情況 通過觀察納入研究的時(shí)間分布可見，入選的795篇文獻(xiàn)多數(shù)分布于2010-2020年(n=689，86.7%)。2010年前護(hù)理領(lǐng)域的人工智能研究較少，僅約占總發(fā)文量的1/10(n=106，13.3%)，發(fā)文量在不同年限間波動(dòng)較小，維持在較低的水平。2010年后該領(lǐng)域的研究進(jìn)入高速發(fā)展期，發(fā)文量急劇增加，呈逐年遞增的趨勢(shì)。其中，發(fā)文量最多的3位作者分別為Haruko iwata、Shoji hirano、Shusaku tsumoto，均發(fā)表了15篇文獻(xiàn)。該領(lǐng)域的研究人員分布較分散，發(fā)文量前10位的作者一共發(fā)表了79篇文獻(xiàn)，占總發(fā)文量的約1/10(11.5%)。與研究人員的分布相似，參與該領(lǐng)域研究的機(jī)構(gòu)也呈散在分布。哈佛醫(yī)學(xué)院、島野大學(xué)、明尼蘇達(dá)大學(xué)、佛羅里達(dá)大學(xué)、哥倫比亞大學(xué)和伊利諾伊大學(xué)是該領(lǐng)域發(fā)文量較多的研究中心，均發(fā)表了10篇或以上的文獻(xiàn)。發(fā)文量排名前10位的中心一共發(fā)表了113篇文獻(xiàn)(16.4%)。發(fā)文機(jī)構(gòu)的中心中介度普遍較低，提示發(fā)文機(jī)構(gòu)間未形成交互網(wǎng)絡(luò)。與科研人員和研究機(jī)構(gòu)的分布不同，發(fā)文國(guó)家呈中心密集型分布。發(fā)文量最大的3個(gè)國(guó)家是美國(guó)、英國(guó)及日本，共發(fā)表488篇研究文獻(xiàn)(70.8%)。其中，美國(guó)發(fā)表319篇，約占國(guó)際發(fā)文量的一半(46.3%)。近年來，中國(guó)在該領(lǐng)域的研究發(fā)展較快，發(fā)表相關(guān)文獻(xiàn)73篇，稍低于日本，排在發(fā)文量的第4位。

2.2發(fā)表期刊和高被引文獻(xiàn) 人工智能在護(hù)理領(lǐng)域的研究主要發(fā)表于護(hù)理期刊，包括“J ADV NURS”“NURS EDUC TODAY”“J CLIN NURS”“J NURS EDUC”等。此外，JAMA旗下的“JAMA-J AM MED ASSOC”、BMJ旗下的“BMJ-BRIT MED”及“NEW ENGL J MED”等著名綜合期刊也發(fā)表了大量相關(guān)的護(hù)理研究文獻(xiàn)。方法學(xué)和元數(shù)據(jù)庫(kù)是被引用較多的兩類文獻(xiàn)。重癥護(hù)理數(shù)據(jù)庫(kù)(Accessible critical care database，MIMIC-III)是被該領(lǐng)域研究人員引用最多的元數(shù)據(jù)庫(kù)。2015年發(fā)表于Nature的題為“Deep learning”的文獻(xiàn)系統(tǒng)地介紹了深度學(xué)習(xí)在語音識(shí)別、視覺對(duì)象檢測(cè)和其他領(lǐng)域(如基因組學(xué))的突破進(jìn)展，是被引用最多的方法學(xué)文獻(xiàn)。

2.3關(guān)鍵詞分析和研究熱點(diǎn) 相關(guān)文獻(xiàn)的關(guān)鍵詞進(jìn)行提取并分析，共生成464個(gè)節(jié)點(diǎn)和2 343條關(guān)聯(lián)(節(jié)點(diǎn)代表熱點(diǎn)關(guān)鍵詞；關(guān)聯(lián)線代表詞組間的相關(guān)性)。高詞頻量的關(guān)鍵詞包括管理(management)、預(yù)測(cè)(prediction)、模型(model)、人工智能(artificial intelligence)、質(zhì)量(quality)、機(jī)器學(xué)習(xí)(machine learning)、風(fēng)險(xiǎn)(risk)、數(shù)據(jù)挖掘(data mining)、護(hù)理(nursing)、護(hù)理教學(xué)(nursing education)、干預(yù)(impact)、知識(shí)(knowledge)、健康(health)、學(xué)生(student)、體驗(yàn)(experience)、感知(perception)和系統(tǒng)(system)，見圖1。

通過建立關(guān)鍵詞網(wǎng)絡(luò)，使用Log-likelihood rate算法做聚類分析[4]，共得到12個(gè)不同分類：護(hù)理學(xué)生(undergraduate)、機(jī)器學(xué)習(xí)(machine learning)、數(shù)據(jù)挖掘(data mining)、慢性病(chronic diseases)、人工智能(artificial intelligence)、深度學(xué)習(xí)(deep learning)、可視化(visualization)、智能生活(smart home)、個(gè)案報(bào)道(case reports)、導(dǎo)師模式(preceptorship)、預(yù)防(prevention)和神經(jīng)發(fā)育(neurodevelopment)，見圖2。這些類別代表了人工智能在護(hù)理領(lǐng)域研究的核心內(nèi)容，主要分為兩大主題：技術(shù)路線和應(yīng)用對(duì)象，后者又包括疾病和教學(xué)兩大方面。數(shù)據(jù)挖掘(data mining)、機(jī)器學(xué)習(xí)(machine learning)和深度學(xué)習(xí)(deep learning)等聚類簇是人工智能相關(guān)的技術(shù)路線。數(shù)據(jù)挖掘(data mining)是研究分析方法學(xué)的本質(zhì)。機(jī)器學(xué)習(xí)(machine learning)和深度學(xué)習(xí)(deep learning)是在此基礎(chǔ)上衍生出的數(shù)據(jù)建模和自動(dòng)識(shí)別的方式。在技術(shù)應(yīng)用的對(duì)象方面，慢病管理(chronic diseases)和預(yù)防(prevention)是臨床護(hù)理常見的工作重心。護(hù)生教育(undergraduate)和導(dǎo)師模式(preceptorship)的建立是護(hù)理教學(xué)需要規(guī)劃的內(nèi)容。

圖1 人工智能在護(hù)理領(lǐng)域研究的熱點(diǎn)關(guān)鍵詞

圖2 人工智能在護(hù)理領(lǐng)域研究的聚類分析

2.4研究趨勢(shì) 聚類分析在時(shí)間線上的分布顯示了研究主題的變化趨勢(shì)，見圖3。在方法學(xué)的發(fā)展方面，2006-2008年，數(shù)據(jù)挖掘(data mining)、人工智能(artificial intelligence)和機(jī)器學(xué)習(xí)(machine learning)開始應(yīng)用于護(hù)理相關(guān)的研究分析；2013年深度學(xué)習(xí)(deep learning)技術(shù)也進(jìn)入了該領(lǐng)域。在技術(shù)應(yīng)用的對(duì)象方面，針對(duì)慢病護(hù)理(chronic diseases)的研究分布較廣泛，主要集中于2011-2012年；而針對(duì)預(yù)防(prevention)的護(hù)理研究則呈跳躍性分布，分別于2007年和2020年開展。長(zhǎng)期以來(2007-2020年)，護(hù)理學(xué)生(undergraduate)是人工智能在護(hù)理教學(xué)研究的主要應(yīng)用對(duì)象。2010-2014年期間導(dǎo)師制度是人工智能在護(hù)理研究的另一個(gè)熱點(diǎn)內(nèi)容。2019年以來智能家庭護(hù)理是人工智能技術(shù)輔助護(hù)理實(shí)施的新研究熱點(diǎn)。

圖3 人工智能在護(hù)理領(lǐng)域研究的時(shí)間線分布

通過觀察詞頻增幅變化可以進(jìn)一步了解研究的發(fā)展趨勢(shì)[5]，見圖4。2010-2013年，詞頻變幅較大的突顯詞包括數(shù)據(jù)挖掘(data mining)、多維度評(píng)價(jià)(multidimensional scaling)、聚類(clustering)和時(shí)序分析(temporal data mining)等，主要涉及方法學(xué)研究，為護(hù)理臨床的應(yīng)用構(gòu)建基礎(chǔ)。2015-2017年突顯詞包括壓瘡(pressure ulcer)、決策(strategy)、預(yù)測(cè)(prediction)、服務(wù)(service)和行為(behavior)，主要關(guān)注技術(shù)應(yīng)用的具體優(yōu)化對(duì)象，即對(duì)疾病的護(hù)理和護(hù)理實(shí)施的指導(dǎo)。

圖4 人工智能在護(hù)理領(lǐng)域研究的突顯詞分析

3 討論

3.1研究發(fā)展 斯坦福大學(xué)的計(jì)算機(jī)科學(xué)家John McCarthy在1956年創(chuàng)造了“人工智能”這個(gè)術(shù)語[6]。由于缺乏處理大量數(shù)據(jù)的計(jì)算能力和支持技術(shù)，早期人工智能的發(fā)展較緩慢[7]。這種對(duì)方法學(xué)實(shí)現(xiàn)能力的依賴不僅表現(xiàn)在時(shí)間分布上，同時(shí)也造成一定的地域差異。人工智能在護(hù)理領(lǐng)域的研究主要集中在少數(shù)幾個(gè)發(fā)達(dá)國(guó)家(美國(guó)、英國(guó)和日本)。中國(guó)在該領(lǐng)域的發(fā)展較快，目前發(fā)文量排在國(guó)際第4位。而研究人員和機(jī)構(gòu)的分布則較分散。該領(lǐng)域的核心研究人員或主導(dǎo)機(jī)構(gòu)尚未形成。

3.2方法學(xué)迭代 隨著計(jì)算機(jī)技術(shù)的開發(fā)利用，2010年以來對(duì)大型數(shù)據(jù)集的訪問和運(yùn)算能力取得了長(zhǎng)足的進(jìn)步。故人工智能在護(hù)理領(lǐng)域的研究于2010年后進(jìn)入了高速發(fā)展期，發(fā)文量逐年遞增[8]。人工智能是一種認(rèn)知技術(shù)，通過模擬人類理解、推理和思維處理能力對(duì)證據(jù)進(jìn)行排序，并提供基于證據(jù)的決策[9]。在此基礎(chǔ)上衍生出的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)是技術(shù)發(fā)展的熱點(diǎn)。機(jī)器學(xué)習(xí)是指計(jì)算機(jī)使用算法從數(shù)據(jù)中獲取知識(shí)，并解釋數(shù)據(jù)最終校正輸出[10]。深度學(xué)習(xí)是運(yùn)用神經(jīng)網(wǎng)絡(luò)的算法，模擬神經(jīng)元在人類大腦中的信息網(wǎng)絡(luò)處理方式[11]。自2013年以來，已有多項(xiàng)研究嘗試將機(jī)器學(xué)習(xí)和深度學(xué)習(xí)應(yīng)用于疾病的輔助護(hù)理，如對(duì)老年癡呆行為的早期識(shí)別[12]、心電變異性的監(jiān)測(cè)[13]等。

3.3護(hù)理研究方向 人工智能在護(hù)理領(lǐng)域的研究方向主要包括疾病護(hù)理和護(hù)理教學(xué)。

3.3.1疾病護(hù)理方向 將計(jì)算機(jī)算法應(yīng)用于疾病護(hù)理，通過建立模型，識(shí)別和預(yù)測(cè)風(fēng)險(xiǎn)，并予以護(hù)理干預(yù)，從而指導(dǎo)護(hù)理決策和護(hù)理服務(wù)的實(shí)施是研究的主體。如設(shè)置羅斯曼指數(shù)(羅斯曼指數(shù)是使用護(hù)理評(píng)估指標(biāo)合成的用于識(shí)別高?；颊叩墓ぞ?，當(dāng)指數(shù)顯示患者病情惡化時(shí)，護(hù)理人員可收到警報(bào)提示，對(duì)患者緊急評(píng)估，與臨床醫(yī)生合作對(duì)疾病進(jìn)展進(jìn)行干預(yù)[14]。再如引進(jìn)機(jī)器人護(hù)理助手(TRINA)，TRINA是一款護(hù)理輔助自動(dòng)化的機(jī)械工程，通過與患者進(jìn)行日常互動(dòng)，了解患者的病情變化和需求，從而實(shí)現(xiàn)風(fēng)險(xiǎn)評(píng)估的自動(dòng)化[15]。在支持護(hù)士有效支配時(shí)間的基礎(chǔ)上，指導(dǎo)針對(duì)高危患者護(hù)理實(shí)踐的實(shí)施；另外，護(hù)理助手還可以代替護(hù)士處理污染材料以及移除防護(hù)設(shè)備，降低護(hù)理人員面臨的感染風(fēng)險(xiǎn)。

3.3.2護(hù)理教學(xué)方向 護(hù)理教學(xué)是人工智能參與度較高的另一個(gè)護(hù)理研究主題。自然語言的文本處理(text mining)和可視化技術(shù)(visualization)可用于護(hù)理學(xué)生的教學(xué)工作。通過在線模擬“評(píng)估產(chǎn)婦疼痛”“術(shù)后出血事件上報(bào)”等場(chǎng)景，護(hù)生能夠感受真實(shí)的護(hù)理環(huán)境，訓(xùn)練并掌握有效的溝通技巧[16]。在數(shù)據(jù)模型的驅(qū)動(dòng)下，視聽機(jī)器人可以對(duì)精神病患者的感知(perception)進(jìn)行模擬，由護(hù)理學(xué)生使用智能手機(jī)或平板電腦進(jìn)行遠(yuǎn)程評(píng)估并制定護(hù)理決策，從而評(píng)價(jià)護(hù)理實(shí)踐的有效性[17]。這類人工智能在護(hù)理教學(xué)的應(yīng)用不僅針對(duì)年輕的護(hù)理學(xué)生，而且能用于教育患者個(gè)人或家屬完善慢病管理，實(shí)現(xiàn)遠(yuǎn)期預(yù)后的優(yōu)化[18]。

3.4研究新熱點(diǎn) 2019年以來智能家庭護(hù)理(smart home)成為該領(lǐng)域的研究新熱點(diǎn)[19]。由護(hù)士主導(dǎo)的遠(yuǎn)程健康社區(qū)援助計(jì)劃T-CHAT是一項(xiàng)利用遠(yuǎn)程計(jì)算機(jī)評(píng)估指導(dǎo)護(hù)理干預(yù)，促進(jìn)慢病管理(chronic diseases)的研究[20]。遠(yuǎn)程護(hù)理除了收集患者主訴等醫(yī)療信息外，還支持如心臟監(jiān)測(cè)等生命體征的采集。另一項(xiàng)基于護(hù)理數(shù)據(jù)智能處理的研究[21]對(duì)養(yǎng)老機(jī)構(gòu)的呼叫系統(tǒng)進(jìn)行了革新。傳統(tǒng)的呼叫系統(tǒng)可能導(dǎo)致護(hù)理人員反饋的延遲，而智能通信系統(tǒng)可以快速分析并就近傳達(dá)給能夠響應(yīng)的護(hù)理人員。

3.5國(guó)內(nèi)研究現(xiàn)狀 我國(guó)人工智能在護(hù)理領(lǐng)域的研究起步較晚，2016年以來相關(guān)研究逐漸增多。與國(guó)外該領(lǐng)域的研究側(cè)重于“技術(shù)驅(qū)動(dòng)下護(hù)理整體模式的改變”不同，我國(guó)護(hù)理領(lǐng)域人工智能研究的主題多為“與某種特定疾病相關(guān)的護(hù)理”，包括針對(duì)骨科患者的術(shù)后護(hù)理、急性缺血性腦梗塞患者康復(fù)階段的人工智能指導(dǎo)下的護(hù)理隨訪(AI-assisted follow up)及腦梗塞后并發(fā)肺炎的預(yù)測(cè)(Predicting post-stroke pneumonia)等。同時(shí)，人工智能用于護(hù)理教學(xué)方面的研究在我國(guó)仍待進(jìn)一步的開展。

綜上所述，人工智能在護(hù)理領(lǐng)域的研究尚處于初級(jí)階段，2010年以來得到了高速的發(fā)展。作為一個(gè)研究熱點(diǎn)，人工智能在護(hù)理學(xué)的發(fā)展具有地域差距和技術(shù)更新迭代快的特點(diǎn)。目前，護(hù)理的人工智能研究主要針對(duì)疾病護(hù)理和護(hù)理教學(xué)兩個(gè)方面。未來的研究趨勢(shì)將由以臨床為中心的技術(shù)應(yīng)用向家庭化慢病智能管控轉(zhuǎn)化。