機(jī)器學(xué)習(xí)在構(gòu)建護(hù)理風(fēng)險(xiǎn)預(yù)測模型中的研究進(jìn)展

王晶 李玲利 趙春林 楊雪 賀婷婷 袁鄰雁 陳瀟

(四川大學(xué)華西護(hù)理學(xué)院/四川大學(xué)華西醫(yī)院，四川 成都 610041)

國務(wù)院辦公廳發(fā)布《關(guān)于促進(jìn)和規(guī)范健康醫(yī)療大數(shù)據(jù)應(yīng)用發(fā)展的指導(dǎo)意見》[1]，其中提出醫(yī)療發(fā)展應(yīng)該順應(yīng)新興技術(shù)發(fā)展趨勢，推進(jìn)科研大數(shù)據(jù)的應(yīng)用，建立疾病、藥物副作用預(yù)測機(jī)制，充分利用優(yōu)勢資源，推動智慧醫(yī)療發(fā)展。隨著大數(shù)據(jù)、人工智能等領(lǐng)域的飛速發(fā)展，精準(zhǔn)醫(yī)學(xué)與臨床決策支持系統(tǒng)也是醫(yī)療服務(wù)進(jìn)入智能化時(shí)代的要點(diǎn)。通過收集個人數(shù)據(jù)，應(yīng)用算法，對個體易感性、敏感性進(jìn)行預(yù)測分析，是服務(wù)模式向個性化、智能化地有效轉(zhuǎn)變[2]。機(jī)器學(xué)習(xí)作為新型算法，可以對大量復(fù)雜數(shù)據(jù)進(jìn)行深度學(xué)習(xí)并充分挖掘數(shù)據(jù)，獲取新邏輯關(guān)系[3]。目前，風(fēng)險(xiǎn)預(yù)測模型構(gòu)建是機(jī)器學(xué)習(xí)的常見用途之一[4]，且已經(jīng)在護(hù)理領(lǐng)域進(jìn)行了系列模型探究與驗(yàn)證，實(shí)現(xiàn)了部分疾病癥狀的預(yù)測性防護(hù)與護(hù)理。因此，本文將通過對機(jī)器學(xué)習(xí)在護(hù)理風(fēng)險(xiǎn)預(yù)測模型的應(yīng)用現(xiàn)狀進(jìn)行總結(jié)展望，為后續(xù)護(hù)理學(xué)者探索未來研究方向提供參考。

1 機(jī)器學(xué)習(xí)與風(fēng)險(xiǎn)預(yù)測模型的概述

1.1機(jī)器學(xué)習(xí) 信息技術(shù)等領(lǐng)域的快速發(fā)展，使得計(jì)算機(jī)數(shù)據(jù)分析的能力迅速提高，多個行業(yè)因此受益良多，其中尤其為醫(yī)療健康行業(yè)，可以將分析方法應(yīng)用于大型數(shù)據(jù)庫為醫(yī)療保健決策提供證據(jù)[5]。其中，機(jī)器學(xué)習(xí)指科學(xué)家探索如何開發(fā)合適的算法促進(jìn)數(shù)據(jù)學(xué)習(xí)的研究領(lǐng)域，也指使用計(jì)算機(jī)等機(jī)器將統(tǒng)計(jì)算法應(yīng)用于數(shù)據(jù)集中的人工智能方法之一[6]。在模型構(gòu)建中，機(jī)器學(xué)習(xí)主要可以對結(jié)構(gòu)化數(shù)據(jù)(診斷代碼、人口統(tǒng)計(jì)學(xué)等)及非結(jié)構(gòu)化數(shù)據(jù)(主訴、病例中的自由文本數(shù)據(jù)等)進(jìn)行觀察描述并挖掘他們之間可能的關(guān)系，以此開發(fā)出可以輔助臨床決策或患者結(jié)果的預(yù)測模型。目前，常用的算法有Boost算法、支持向量機(jī)、決策樹、隨機(jī)化森林、貝葉斯及人工神經(jīng)網(wǎng)絡(luò)等[7]。

1.2風(fēng)險(xiǎn)預(yù)測模型 隨著計(jì)算機(jī)技術(shù)和醫(yī)療領(lǐng)域的相互促進(jìn)，依托“互聯(lián)網(wǎng)+”，智慧醫(yī)療已經(jīng)在健康發(fā)展取得一定的成果。智慧醫(yī)療不僅僅包含健康管理創(chuàng)新化、互化，還包括健康結(jié)局可視化、預(yù)測化；健康醫(yī)療大數(shù)據(jù)背景下，人工智能將利用海量的健康數(shù)據(jù)，進(jìn)行計(jì)算機(jī)建模，從而實(shí)現(xiàn)精準(zhǔn)的疾病未來結(jié)局、癥狀發(fā)生可能性等事件的概率，從而協(xié)助醫(yī)護(hù)人員制定個性化地預(yù)防性治護(hù)方案[8]。風(fēng)險(xiǎn)預(yù)測模型指將患者的某些特征或癥狀作為預(yù)測因子，并對其進(jìn)行權(quán)重分配，從而獲得風(fēng)險(xiǎn)概率的工具[9]。近幾年，越來越多的護(hù)理研究者將風(fēng)險(xiǎn)預(yù)測模型引入慢病管理、不良事件等領(lǐng)域。

2 機(jī)器學(xué)習(xí)在護(hù)理風(fēng)險(xiǎn)預(yù)測模型中的應(yīng)用

2.1預(yù)測慢性病進(jìn)展 反應(yīng)國家經(jīng)濟(jì)社會發(fā)展、衛(wèi)生保健水平和人口健康素質(zhì)的指標(biāo)之一是慢性病狀況[10]。目前，慢性病已經(jīng)成為全球死亡的第一大原因，我國已有2.6億人確診慢病，占據(jù)我國疾病負(fù)擔(dān)的70%左右[11]。針對慢病患病率上升且逐步年輕化的現(xiàn)狀，重視預(yù)防與管理成為重要舉措。而大數(shù)據(jù)與新技術(shù)對健康管理的重要性應(yīng)該得到關(guān)注與利用[12]。

2.1.1糖尿病 糖尿病是一種以高血糖為特征，伴隨多種并發(fā)癥的慢性疾病，其對人體的健康及生活質(zhì)量造成嚴(yán)重影響[13]。近年來糖尿病發(fā)生率逐步增高，其防治措施亟需關(guān)注。Savita等[14]從機(jī)器學(xué)習(xí)儲存庫中收集糖尿病患者相關(guān)信息，通過使用分類算法(支持向量機(jī)、貝葉斯、決策樹、隨機(jī)森林及神經(jīng)網(wǎng)絡(luò)等)在數(shù)據(jù)集上進(jìn)行測試和計(jì)算，并與Pima印度糖尿病數(shù)據(jù)集進(jìn)行比較，以期能夠精準(zhǔn)的預(yù)測患者糖尿病風(fēng)險(xiǎn)。最終結(jié)果顯示，改進(jìn)的隨機(jī)森林和k近鄰算法具有最佳精度。同時(shí)，Dinh等[15]利用受監(jiān)督的多個機(jī)器學(xué)習(xí)模型(物流回歸、支持向量機(jī)、隨機(jī)森林和梯度提升)對美國國家健康數(shù)據(jù)集進(jìn)行搜索，并將模型進(jìn)行組合，開發(fā)出加權(quán)集合模型，最終得出腰圍、年齡、體質(zhì)量及鈉攝入量等為糖尿病患者的預(yù)測性因素。Quan等[16]和Kwon等[17]研究者皆使用數(shù)據(jù)集對糖尿病預(yù)測模型進(jìn)行開發(fā)探究。

2.1.2心血管疾病 心血管疾病被視為最嚴(yán)重、最致命的疾病，占全球死亡總數(shù)的1/3，即頭號死因[18]。但其早期診斷困難，后期診治又需要充足完善的資源，對部分國家或地區(qū)具有挑戰(zhàn)。因此，準(zhǔn)確的預(yù)測是有效解決問題的方法之一。Pronab等[18]通過慢性心臟病的數(shù)據(jù)集構(gòu)建智能機(jī)器學(xué)習(xí)系統(tǒng)，納入多個特征包括年齡、性別和血壓等，選擇多個模型進(jìn)行模型構(gòu)建與評估，最終得到的隨機(jī)森林混合模型具有最佳性能(精度約92.65%)。Nayan等[19]同樣通過人工神經(jīng)網(wǎng)絡(luò)得到具有90%特異度、靈敏度及準(zhǔn)確性的模型，其可以從心電圖、血壓、總膽固醇等方面進(jìn)行心血管預(yù)測。

2.1.3慢性呼吸系統(tǒng)疾病 慢性呼吸系統(tǒng)疾病是全世界死亡和發(fā)病的主要原因之一，慢性阻塞性肺病(chronic obstructive pulmonary disease，COPD)和哮喘最為常見[20]。Dimitris等[21]考察了醫(yī)療保健領(lǐng)域的臨床決策支持系統(tǒng)，對代表性樣本靜息研究，結(jié)果得出準(zhǔn)確率為97.7%的COPD隨機(jī)森林模型，其關(guān)鍵預(yù)測因素為吸煙、年齡、第1秒用力呼氣量和強(qiáng)迫肺活量；以及精度為80.3%的哮喘隨機(jī)森林模型，其顯著因素為呼出25%與75%肺活量時(shí)的最大呼氣流量。

結(jié)合機(jī)器學(xué)習(xí)的風(fēng)險(xiǎn)預(yù)測模型構(gòu)建已經(jīng)在慢性病及其并發(fā)癥管理中得到一定的研究與應(yīng)用，但是由于研究者的數(shù)據(jù)來源不同以及不同模型在數(shù)據(jù)集中的性能優(yōu)劣，目前沒有統(tǒng)一適用的模型，后期研究有待改進(jìn)。但是，對于較為確定的、可避免的關(guān)鍵危險(xiǎn)因素可通過加強(qiáng)宣傳與前期預(yù)防干預(yù)進(jìn)行規(guī)避，從而有效減少慢病發(fā)病率以及不良結(jié)局的發(fā)生率，降低醫(yī)療成本，節(jié)約資源。

2.2預(yù)測不良事件 隨著醫(yī)療衛(wèi)生行業(yè)的快速發(fā)展以及健康中國建設(shè)的推進(jìn)，患者安全這一醫(yī)療管理的核心成為了推進(jìn)醫(yī)藥衛(wèi)生改革的基礎(chǔ)，黨的十九大指出要將患者安全作為醫(yī)療管理的重要內(nèi)容，不斷提高管理水平，減少醫(yī)療服務(wù)中可避免的不良事件[22]。目前，國內(nèi)外對不良事件的定義尚未統(tǒng)一，但是大多研究中所指為壓力性損傷及跌倒等類別[23]。據(jù)研究[24]數(shù)據(jù)顯示，住院患者中50%的不良事件是可以預(yù)防的，因此探究準(zhǔn)確有效的預(yù)測方案對實(shí)現(xiàn)優(yōu)質(zhì)護(hù)理有重要意義。

2.2.1壓力性損傷 壓力性損傷通常指壓力或壓力與剪切力的組合導(dǎo)致皮膚或組織損傷，其發(fā)生率是評價(jià)護(hù)理質(zhì)量的重要指標(biāo)之一。Ling等[25]研究者針對外科手術(shù)患者術(shù)中壓力性損傷相關(guān)指標(biāo)進(jìn)行l(wèi)ogistic回歸建模，決策樹算法分析自變量的重要性，最終得出BMI、手術(shù)時(shí)長及術(shù)中失血等是獨(dú)立因素，整個模型靈敏度為0.81，特異度為0.88，曲線下面積為0.69，具有良好的診斷價(jià)值。Hu等[26]整合以往的文獻(xiàn)、量表等內(nèi)容，選擇54個變量在11 838例病例中使用線性回歸(LGR)、決策樹、隨機(jī)森林等方法進(jìn)行分析，最終得出隨機(jī)森林為最佳模型(召回=0.802)，其中皮膚完整性、收縮壓變化、表達(dá)能力等為關(guān)鍵變量，而飲酒、食用堅(jiān)果等習(xí)慣需要考慮不同地區(qū)或國家的文化。探索壓力性損傷的關(guān)鍵危險(xiǎn)因素，可以有效幫助臨床護(hù)士全面了解患者所處現(xiàn)狀，減輕工作量的同時(shí)提高住院質(zhì)量。Alderden等[27]和Mireia等[28]研究者同樣發(fā)開了面對不同患者群體的壓力性損傷預(yù)測模型。

2.2.2跌倒 跌倒是醫(yī)院內(nèi)常見不良事件之一，其可能導(dǎo)致患者受傷、住院時(shí)間延長等問題，因此積極有效預(yù)防跌倒極為重要。目前，臨床常用跌倒評估量表(如Morse量表)，但是此類評估工具可能會受到評估時(shí)機(jī)、實(shí)際環(huán)境和患者類型等的影響而不準(zhǔn)確，且增加了護(hù)士的工作量。Yokota等[29]研究者對電子病歷中的患者數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，采用支持向量機(jī)算法建立FINDS模型，可以根據(jù)護(hù)理記錄以及患者每日相關(guān)信息預(yù)測患者是否會在某日跌倒，克服傳統(tǒng)評估模式的部分問題，客觀準(zhǔn)確預(yù)估，減輕護(hù)士負(fù)擔(dān)。Olivier等[30]將848例老年住院患者納入人工神經(jīng)網(wǎng)絡(luò)進(jìn)行分析，通過床旁臨床評估以及電子病歷采集相關(guān)數(shù)據(jù)，最終得出高特異性的模型；結(jié)果表明，面對老年患者時(shí)，應(yīng)該多用診斷測試而不是篩查測試。

基于數(shù)據(jù)挖掘的不良事件預(yù)測模型相較于傳統(tǒng)的量表評估，可以動態(tài)地、連續(xù)性地評估患者危險(xiǎn)等級，且與醫(yī)院系統(tǒng)銜接后，自動提取相應(yīng)數(shù)據(jù)進(jìn)行分析，免除護(hù)士主動評估的程序，在減少工作量的同時(shí)，提高預(yù)測準(zhǔn)確率，盡早對高?；颊?、高危因素實(shí)施干預(yù)，減少不必要的不良事件發(fā)生，把控患者安全。

2.3管理模式及成效預(yù)測 相關(guān)政策倡導(dǎo)應(yīng)該強(qiáng)化信息化醫(yī)療人才的培育，推動醫(yī)療、政府等機(jī)構(gòu)的醫(yī)療數(shù)據(jù)型人才隊(duì)伍建設(shè)。同時(shí)，利用信息技術(shù)手段與大數(shù)據(jù)資源，完善醫(yī)療評價(jià)體系，推動醫(yī)院制度改革，優(yōu)化醫(yī)療衛(wèi)生資源的管理布局[1]。

護(hù)士短缺已經(jīng)成為了全球醫(yī)療問題，不斷增長的醫(yī)療需求加劇了短缺程度，為了緩解該局面，降低離職率是方法之一，因此可探究護(hù)士離職相關(guān)因素從而進(jìn)行相應(yīng)干預(yù)。Chang等[31]對護(hù)士進(jìn)行調(diào)查，利用結(jié)構(gòu)方程進(jìn)行模型構(gòu)建，發(fā)現(xiàn)提高專業(yè)能力的意識和行動與離職意向呈負(fù)相關(guān)。因此，護(hù)理管理者可以通過合理分配資源，提高護(hù)士專業(yè)能力來降低其辭職意圖。同時(shí)，由于護(hù)理人員工作挑戰(zhàn)較大以及需長期處于醫(yī)患群體的關(guān)系中，很容易發(fā)生職業(yè)倦怠，該因素與護(hù)士離職率上升有關(guān)，給衛(wèi)生保健組織及患者安全帶來較大影響。Yao等[32]研究者通過馬斯拉赫職業(yè)倦怠量表等問卷對860名護(hù)士展開調(diào)查，并通過通用線性模型進(jìn)行機(jī)器學(xué)習(xí)，結(jié)果顯示壓力、自我效能與個性類型是3大風(fēng)險(xiǎn)因素。Kelly等[33]研究者進(jìn)行重癥監(jiān)護(hù)室護(hù)士的倦怠進(jìn)行限行逐步回歸分析及聚類，得出工作壓力、工作滿意度和工作樂趣等可預(yù)測護(hù)士的職業(yè)倦怠。因此，醫(yī)院及科室管理者可以通過減輕壓力、增強(qiáng)自我效能等策略幫助護(hù)士減輕倦怠。護(hù)士是醫(yī)療系統(tǒng)的核心人力資源，護(hù)理質(zhì)量直接對患者健康有影響。如果護(hù)士人員的配置不能滿足患者需求，護(hù)理質(zhì)量可能會受到影響。Daniel等[34]對圍產(chǎn)期護(hù)理數(shù)據(jù)庫進(jìn)行二次數(shù)據(jù)收集，通過套索算法篩選可能影響護(hù)士人員配置的預(yù)測變量，后使用混合效應(yīng)線性回歸模型以及10倍交叉驗(yàn)證構(gòu)建護(hù)理人員配置預(yù)測模型，可以解釋1/3的護(hù)理人員變動，且結(jié)果表明人員的增加可能會減少不良事件。根據(jù)此類研究，未來衛(wèi)生服務(wù)可通過合理調(diào)整人員配比提高護(hù)理服務(wù)質(zhì)量。

除人員管理外，在評價(jià)護(hù)理單元方面，目前大多數(shù)醫(yī)院多基于規(guī)范的評價(jià)標(biāo)準(zhǔn)進(jìn)行考核?？荚u方式多為管理委員會成員進(jìn)行檢查、評價(jià)，給出評分進(jìn)行評選優(yōu)秀護(hù)理單元。雖然會結(jié)合科室特性，但是缺少更加客觀、科學(xué)、準(zhǔn)確的評價(jià)標(biāo)準(zhǔn)。通過數(shù)據(jù)挖掘技術(shù)與客觀數(shù)據(jù)結(jié)合，如將各護(hù)理單元的工作量、人員配置及資源績效等進(jìn)行全面評估記錄，分析其對護(hù)理質(zhì)量的影響及相應(yīng)得分，從而得到個性化、精準(zhǔn)化的各護(hù)理單元護(hù)理質(zhì)量評價(jià)結(jié)果。同時(shí)，利用平臺自動分析，可以減少管理委員會工作量，實(shí)時(shí)動態(tài)計(jì)算，更加科學(xué)化的監(jiān)督護(hù)理服務(wù)質(zhì)量。

2.4教育方式及模式成果預(yù)測 鼓勵探索開發(fā)新型教學(xué)模式，推進(jìn)學(xué)習(xí)成效評估等應(yīng)用，從而方便護(hù)理學(xué)生的學(xué)習(xí)，提升護(hù)理水平[1]。美國勞工統(tǒng)計(jì)局預(yù)計(jì)，截止到2028年，全美國將需要340萬護(hù)士進(jìn)入醫(yī)療行業(yè)中，這比目前所擁有護(hù)士數(shù)量增加了12%[35]。為滿足日益增長的醫(yī)療保健需求，教育行業(yè)應(yīng)該積極招收護(hù)理學(xué)生并提高畢業(yè)率。為此，研究者們探究出影響學(xué)業(yè)成功的預(yù)測因素，以便于積極干預(yù)。Hannaford等[35]總結(jié)某私立大學(xué)的學(xué)生信息，選擇8種機(jī)器學(xué)習(xí)算法進(jìn)行模型構(gòu)建與比較，最終選擇最佳模型為隨機(jī)森林，其曲線下面積為0.60。且研究結(jié)果顯示，護(hù)理相關(guān)課程成績、學(xué)分以及大學(xué)平均成績可以預(yù)測識別出高危學(xué)生。該類模型可指導(dǎo)高校改進(jìn)教學(xué)模式與方法，為學(xué)生制定個性化培養(yǎng)方案以及早期高危干預(yù)措施，提高教育質(zhì)量。除在護(hù)理人員數(shù)量缺失外，全球卓越的高等教育需求也日益增加。但目前對于教育質(zhì)量的指標(biāo)尚未有一個“基準(zhǔn)”，Langan等[36]納入來自英國9所大學(xué)護(hù)理課程的數(shù)據(jù)，使用機(jī)器學(xué)習(xí)方法(分類決策樹等)客觀地選擇價(jià)值變量來預(yù)測我們衡量成功、學(xué)生進(jìn)步的指標(biāo)后，用選擇的變量構(gòu)建基準(zhǔn)模型，最終得出年齡、性別、青年參與高等教育的比例等因素平均重要性最高。該基準(zhǔn)方法可以為探索其他地區(qū)基準(zhǔn)提供依據(jù)，以提高高等教學(xué)的質(zhì)量。

3 機(jī)器學(xué)習(xí)在護(hù)理風(fēng)險(xiǎn)預(yù)測模型的應(yīng)用不足與挑戰(zhàn)

3.1前期數(shù)據(jù)缺失或記錄不規(guī)范 構(gòu)建風(fēng)險(xiǎn)預(yù)測模型時(shí)，最重要的基礎(chǔ)是數(shù)據(jù)集的全面性與準(zhǔn)確性；目前，大多數(shù)研究為回顧性探究，但是現(xiàn)有數(shù)據(jù)存在一些問題，導(dǎo)致模型構(gòu)建不理想。雖然早在2008年住院護(hù)士工作站系統(tǒng)應(yīng)用率已經(jīng)高達(dá)67.22%[37]，但是由于護(hù)理記錄沒有規(guī)范化格式，因此不能直接作為原始數(shù)據(jù)進(jìn)行挖掘，需要大量前期處理，耗費(fèi)人力、時(shí)間。而且一些數(shù)據(jù)未被記錄入系統(tǒng)中，例如傷口、壓瘡等圖片資料，導(dǎo)致大量數(shù)據(jù)資源流失。目前，大多數(shù)醫(yī)院擁有自己的數(shù)據(jù)中心，可以進(jìn)行數(shù)據(jù)分析與利用。但是醫(yī)院間、地區(qū)間信息處于孤立狀態(tài)，無法進(jìn)行數(shù)據(jù)共享，導(dǎo)致信息孤島的產(chǎn)生。因此，大多研究成果雖然在實(shí)驗(yàn)所在地效果良好，但因?yàn)閿?shù)據(jù)集特征不同，因此結(jié)果無法共用且研究結(jié)果代表性不足，可推廣性不強(qiáng)。部分研究在考慮臨床相關(guān)因素時(shí)，忽略了大環(huán)境因素對人體的影響，例如在探究慢性呼吸系統(tǒng)疾病高危因素時(shí)，是否應(yīng)該納入患者長期生活環(huán)境的空氣質(zhì)量等影響因素，保證預(yù)測的全面性與有效性。鑒此，為了能夠更加有效利用數(shù)據(jù)中蘊(yùn)藏的豐富信息，應(yīng)該從日常工作記錄規(guī)范化這一基礎(chǔ)措施做起，有利于數(shù)據(jù)利用的同時(shí)有助于推動后續(xù)數(shù)據(jù)庫共享化、信息共通化以及系統(tǒng)評價(jià)制度的完善化。

3.2護(hù)理人員數(shù)據(jù)挖掘知識儲備不足 醫(yī)工結(jié)合已經(jīng)成為當(dāng)今醫(yī)療行業(yè)發(fā)展趨勢，護(hù)理人員與多學(xué)科學(xué)者進(jìn)行交叉合作，以期快速有效提升護(hù)理服務(wù)質(zhì)量。但是我國護(hù)理人員自身缺少信息技術(shù)相關(guān)知識儲備，不僅僅會降低與專業(yè)人士合作的效率，同時(shí)可能會忽視一些可以用信息技術(shù)解決的臨床問題。目前，我國護(hù)理學(xué)者在構(gòu)建風(fēng)險(xiǎn)預(yù)測模型時(shí)，還是以logistic等傳統(tǒng)分析方法為主，相較于國外研究，我國大數(shù)據(jù)在護(hù)理領(lǐng)域的探究還處于起步階段。部分研究者雖走在前列，利用機(jī)器學(xué)習(xí)進(jìn)行數(shù)據(jù)挖掘，但通常會通過閱讀文獻(xiàn)或經(jīng)驗(yàn)來選擇某一種算法，而同一研究問題在不同數(shù)據(jù)庫中構(gòu)建模型，適用的算法可能都會發(fā)生變化[38-40]，故后續(xù)研究可以對同一問題訓(xùn)練多個模型，再進(jìn)行模型性能評估，以選出最優(yōu)模型。面對目前研究過程中護(hù)理人才的短板，更提示培養(yǎng)具有醫(yī)工素養(yǎng)的復(fù)合型人才應(yīng)該早期著手，可在本科、碩士教育階段中，增加信息化教育相關(guān)課程，拓展視野，豐富知識存儲，充分發(fā)揮信息技術(shù)在護(hù)理領(lǐng)域的應(yīng)用。

3.3研究停留于表面，缺少臨床驗(yàn)證與應(yīng)用 大多數(shù)研究立足于回顧歷史數(shù)據(jù)，使用信息技術(shù)進(jìn)行內(nèi)部驗(yàn)證，缺少外部驗(yàn)證來明確模型的準(zhǔn)確性及敏感度。而且臨床依然多應(yīng)用傳統(tǒng)量表進(jìn)行風(fēng)險(xiǎn)評估，可見預(yù)測模型目前的臨床應(yīng)用范圍不廣。因此，提高模型的準(zhǔn)確性，使用的便利性，才能加快研究成果臨床化的進(jìn)程，推進(jìn)護(hù)理信息化發(fā)展。

綜上所述，目前護(hù)理領(lǐng)域中應(yīng)用機(jī)器學(xué)習(xí)算法構(gòu)建風(fēng)險(xiǎn)預(yù)測模型已經(jīng)取得了一定的研究進(jìn)展，但是護(hù)理的信息化發(fā)展仍然面臨巨大的挑戰(zhàn)。規(guī)范且完整數(shù)據(jù)庫的缺乏，數(shù)據(jù)挖掘技術(shù)使用的不成熟，研究領(lǐng)域和理論還未被全面拓展等問題依舊嚴(yán)峻。隨著醫(yī)工交叉的快速推進(jìn)，護(hù)理研究者需要把握學(xué)科自身特點(diǎn)，尋求高效的多學(xué)科合作，利用信息化技術(shù)開展護(hù)理風(fēng)險(xiǎn)預(yù)測模型研究，不斷創(chuàng)新研究方法，進(jìn)一步拓展研究的廣度與深度，提高護(hù)理質(zhì)量與效率，促進(jìn)護(hù)理學(xué)科發(fā)展。