機(jī)器學(xué)習(xí)法在護(hù)理不良事件管理中的應(yīng)用研究進(jìn)展

宋佳雪，吳 英，彭 程，彭 倩，莫慧穎，吳容嬋

1.中南大學(xué)湘雅護(hù)理學(xué)院，湖南 410000；2.中南大學(xué)湘雅醫(yī)院

病人安全是醫(yī)療衛(wèi)生領(lǐng)域的一項(xiàng)戰(zhàn)略優(yōu)先事項(xiàng)，其核心是醫(yī)院不良事件的預(yù)防。在高收入國家，有10%的病人在醫(yī)院治療期間經(jīng)歷過不良事件[1]。護(hù)理不良事件作為常見的醫(yī)院傷害之一，是指在常規(guī)治療護(hù)理過程中發(fā)生的，可能會導(dǎo)致病人受到傷害、延長住院治療時(shí)間的意外護(hù)理事件，包括壓力性損傷、非計(jì)劃性拔管、跌倒、走失、用藥錯(cuò)誤等[2-3]。護(hù)理不良事件的發(fā)生不僅對病人生命質(zhì)量造成威脅，還增加了額外的醫(yī)療成本[4]。研究顯示，約50%的護(hù)理不良事件具有可預(yù)防性[5]。為了加強(qiáng)護(hù)理不良事件閉環(huán)化管理，多數(shù)醫(yī)療機(jī)構(gòu)建立了護(hù)理質(zhì)量信息化管理平臺，但平臺大多僅專注于不良事件的上報(bào)和統(tǒng)計(jì)，依然存在預(yù)警不準(zhǔn)、漏報(bào)不報(bào)、整改有效率低等問題[6]。隨著醫(yī)療大數(shù)據(jù)爆發(fā)式增長，人工智能已經(jīng)進(jìn)入賦能醫(yī)療健康階段[7]。機(jī)器學(xué)習(xí)法作為人工智能領(lǐng)域中的重要技術(shù)，助力于智慧醫(yī)療發(fā)展，將其應(yīng)用于護(hù)理不良事件管理中可以促進(jìn)不良事件精準(zhǔn)化識別與智能分析，實(shí)現(xiàn)自動(dòng)化質(zhì)控，有望彌補(bǔ)當(dāng)前不良事件管理中的缺陷，提高工作效率。本研究對機(jī)器學(xué)習(xí)法在護(hù)理不良事件預(yù)測、監(jiān)測、評估和原因分析等方面的研究進(jìn)行綜述，旨在提高我國護(hù)理人員對機(jī)器學(xué)習(xí)算法的認(rèn)知，為制定依托信息技術(shù)的不良事件智能化管理策略提供依據(jù)。

1 護(hù)理領(lǐng)域常用的機(jī)器學(xué)習(xí)算法

機(jī)器學(xué)習(xí)是一門通過學(xué)習(xí)數(shù)據(jù)中的復(fù)雜模式，利用算法建模，并通過迭代訓(xùn)練逐步改善性能的科學(xué)學(xué)科，經(jīng)常出現(xiàn)在統(tǒng)計(jì)學(xué)與計(jì)算機(jī)科學(xué)的交叉領(lǐng)域[8]。目前，在護(hù)理領(lǐng)域，應(yīng)用較多的算法有邏輯回歸算法（Logistic regression，LR）、決策樹算法（decision trees）、隨機(jī)森林算法（random forests）、支持向量機(jī)算法（support vector machines，SVM）、人工神經(jīng)網(wǎng)絡(luò)算法（artificial neural network，ANN）等。

1.1 邏輯回歸算法

邏輯回歸算法用于研究多個(gè)自變量對二分類因變量的影響，是醫(yī)學(xué)領(lǐng)域應(yīng)用最廣泛的統(tǒng)計(jì)模型之一[9]。如有研究采用Lasso 回歸與Logistic 回歸分析相結(jié)合的方法，納入年齡≥60 歲、功能障礙、聯(lián)合服用特殊藥物、無陪護(hù)人員、低血鈣5 個(gè)自變量構(gòu)建跌倒傷害預(yù)測模型[10]。模型可以直接看出各個(gè)特征的權(quán)重，易于理解，幫助醫(yī)護(hù)人員快速識別某事件發(fā)生的高風(fēng)險(xiǎn)人群，適用于處理二分類問題。

1.2 決策樹

決策樹主要用于解決分類問題，是一個(gè)倒置的樹狀模型，由根節(jié)點(diǎn)、內(nèi)部節(jié)點(diǎn)和葉子節(jié)點(diǎn)組成[11-12]。通過由根至葉的遞歸過程對數(shù)據(jù)進(jìn)行分類，葉子節(jié)點(diǎn)即分類結(jié)果，形成一個(gè)決策樹分類模型，每條由根節(jié)點(diǎn)至葉子節(jié)點(diǎn)的路徑是一條分類規(guī)則。如根據(jù)住院時(shí)長（根節(jié)點(diǎn)）、傷口敷料感染情況、疾病診斷、住院費(fèi)用等（內(nèi)部節(jié)點(diǎn)）篩選護(hù)理機(jī)構(gòu)中壓力性損傷的高危老年病人（葉節(jié)點(diǎn)）[13]。模型建立的核心問題在于如何確定樹的大小和深度，即選擇分裂屬性及剪枝策略。決策樹結(jié)構(gòu)簡單，可解釋性強(qiáng)，能夠幫助醫(yī)護(hù)人員從樹狀結(jié)構(gòu)中識別出研究對象的風(fēng)險(xiǎn)指標(biāo)，適于對算法背景了解較少的護(hù)理人員運(yùn)用。

1.3 隨機(jī)森林算法

隨機(jī)森林算法是一種基于決策樹的集成分類模型，利用多個(gè)彼此獨(dú)立的樹學(xué)習(xí)器進(jìn)行分類預(yù)測和回歸預(yù)測[14]。其原理是先使用Bootstrap 方法從樣本集中抽取訓(xùn)練集，然后在每個(gè)訓(xùn)練集上訓(xùn)練出一個(gè)決策樹模型，所有樹分類器投票次數(shù)最多的類別為最終的輸出結(jié)果。隨機(jī)森林解決了決策樹算法泛化能力弱的問題，準(zhǔn)確性高，且能在大型數(shù)據(jù)集中高效運(yùn)行。

1.4 SVM

SVM 是機(jī)器學(xué)習(xí)中常見的分類器，是將數(shù)據(jù)通過內(nèi)積函數(shù)進(jìn)行非線性特征映射變換到高維空間，在這個(gè)新空間內(nèi)求取最優(yōu)分類平面的過程，要求所取平面能在保證分類精度的同時(shí)保持兩側(cè)的空白區(qū)域最大化，在處理小樣本、高維非線性數(shù)據(jù)中具有一定優(yōu)勢[15]，可用于壓力性損傷預(yù)測模型、跌倒檢測系統(tǒng)開發(fā)等方面[16-17]。

1.5 ANN

ANN 是一種模擬人腦神經(jīng)系統(tǒng)運(yùn)行方式處理信息的算法[18]。模型包括3 層，由大量節(jié)點(diǎn)（神經(jīng)元）通過“突觸”（數(shù)學(xué)上稱為權(quán)重）相互連接構(gòu)成[19]，每層可有多個(gè)節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)都連接到前一層的節(jié)點(diǎn)上，但同一層的節(jié)點(diǎn)沒有連接。第1 層稱為輸入層，用于接收信號，此層節(jié)點(diǎn)相當(dāng)于回歸模型中的自變量；第2 層稱為隱藏層，通過調(diào)節(jié)神經(jīng)元間連接權(quán)重獲得最佳值[20]，隱藏層節(jié)點(diǎn)數(shù)目決定了模型的預(yù)測精度；第3 層為輸出層，生成最后的結(jié)果，輸出節(jié)點(diǎn)即回歸模型中的因變量[21]。傳統(tǒng)統(tǒng)計(jì)方法（如線性回歸）只涉及1 個(gè)輸入層-輸出層，相比之下，ANN 在處理自變量間的交互作用、復(fù)雜模式的識別和分類任務(wù)中有顯著優(yōu)勢，且不用考慮共線性，適合復(fù)雜臨床情景的建模設(shè)計(jì)[22]。

2 機(jī)器學(xué)習(xí)法在不良事件風(fēng)險(xiǎn)預(yù)測中的應(yīng)用

2.1 壓力性損傷

壓力性損傷是住院病人最常見的不良事件之一，在全球成人住院病人中發(fā)生率達(dá)12.8%[23]。國內(nèi)外已有多位學(xué)者采用不同的機(jī)器學(xué)習(xí)方法開展了壓力性損傷預(yù)測方面的研究，如Cox 等[24]從重癥監(jiān)護(hù)醫(yī)學(xué)信息數(shù)據(jù)庫Ⅲ（MIMIC-Ⅲ）中提取了1 460 例病人數(shù)據(jù)，通過建立決策樹預(yù)測模型，得到了9 條不同的壓力性損傷風(fēng)險(xiǎn)分類規(guī)則，為護(hù)理人員采取優(yōu)先、針對性的預(yù)防措施提供了依據(jù)。Nakagami 等[25]利用電子健康記錄（EHR）構(gòu)建了重癥病人壓力性損傷預(yù)測模型，結(jié)果表明模型受試者工作特征曲線下面積（AUC）為0.78～0.82，并且解決了因壓力性損傷樣本例數(shù)較少造成的數(shù)據(jù)類別不平衡問題。Song 等[26]采用邏輯回歸算法、SVM、隨機(jī)森林算法和ANN 構(gòu)建壓力性損傷預(yù)測模型，發(fā)現(xiàn)格拉斯哥昏迷量表評分、意識狀態(tài)是院內(nèi)壓力性損傷發(fā)生最重要的風(fēng)險(xiǎn)因素，且隨機(jī)森林模型的預(yù)測性能最好。國內(nèi)機(jī)器學(xué)習(xí)預(yù)測研究開展較國外稍晚，曲超然[27]通過決策樹模型、隨機(jī)森林模型、樸素貝葉斯3 種機(jī)器學(xué)習(xí)算法建立了適合成人心血管疾病病人術(shù)中壓力性損傷的預(yù)測模型，結(jié)果表明3 種模型都具有較好的預(yù)測效果，其中隨機(jī)森林模型表現(xiàn)最好，準(zhǔn)確率達(dá)90.91%。楊亞平等[28]通過決策樹篩選出3 類急診壓力性損傷高危人群，按照風(fēng)險(xiǎn)值大小排序依次為完全不能獨(dú)立、存在大/小便失禁、年齡＞80 歲且水腫程度屬于二級及以上，便于急診護(hù)士依據(jù)樹形圖規(guī)則快速識別壓力性損傷風(fēng)險(xiǎn)人群。Xu 等[29]采用多種機(jī)器學(xué)習(xí)算法開發(fā)了壓力性損傷列線圖預(yù)測模型，提高了模型的預(yù)測能力，與Braden 評分量表相比，模型使用的臨床參數(shù)可及性更高，有利于優(yōu)化護(hù)理資源配置[30]。機(jī)器學(xué)習(xí)預(yù)測模型能改善風(fēng)險(xiǎn)量化，具有更高的敏感性和特異性，可以為護(hù)理人員提供有效的壓力性損傷護(hù)理決策支持。另外，基于樹分類的機(jī)器學(xué)習(xí)模型在上述研究中表現(xiàn)較好，更適于住院病人壓力性損傷預(yù)測場景的應(yīng)用。

2.2 非計(jì)劃拔管（UEX）

UEX 是指留置管道意外脫落（包括醫(yī)護(hù)人員操作引起）或病人未經(jīng)醫(yī)護(hù)人員同意自行拔管[31]，是影響病人安全和護(hù)理質(zhì)量的重要因素，可能致使病人血流動(dòng)力學(xué)并發(fā)癥增加、機(jī)械通氣時(shí)間延長甚至危及生命[32]。建立可靠的風(fēng)險(xiǎn)評估流程是提升管路安全的首要措施，但目前國內(nèi)缺少統(tǒng)一的UEX 風(fēng)險(xiǎn)評估量表，UEX受多種因素交互作用影響，已有學(xué)者利用機(jī)器學(xué)習(xí)算法提煉UEX 風(fēng)險(xiǎn)因素，構(gòu)建臨床預(yù)測模型，應(yīng)用效果顯著。Hur 等[33]將6 914 例ICU 置管病人納入研究，采用多種算法開發(fā)了重癥病人UEX 預(yù)測模型，發(fā)現(xiàn)高齡、Richmond 躁動(dòng)-鎮(zhèn)靜評分（RASS）高、身體約束不合格的病人非計(jì)劃性拔管率較高。結(jié)果表明將模型嵌入電子病歷系統(tǒng)可以動(dòng)態(tài)評估UEX 風(fēng)險(xiǎn)，能夠在可能的拔管事件發(fā)生前60 min 預(yù)警醫(yī)護(hù)人員采取措施，最大限度地減少病人傷害。國內(nèi)基于機(jī)器學(xué)習(xí)算法進(jìn)行數(shù)據(jù)挖掘的應(yīng)用較多，趙秀芬等[34]利用Apriori 算法對210 例鼻腸管UEX 病人進(jìn)行分析，得出了鼻腸管UEX風(fēng)險(xiǎn)因素之間的關(guān)聯(lián)規(guī)則，并就插管期間管理的薄弱環(huán)節(jié)采取防范措施，住院病人鼻腸管非計(jì)劃性拔管率明顯下降。沈鳴雁等[35]采用Apriori 算法進(jìn)行數(shù)據(jù)挖掘，結(jié)合專家分析得出了與UEX 相關(guān)的13 對強(qiáng)關(guān)聯(lián)規(guī)則，進(jìn)一步為國內(nèi)UEX 預(yù)警模型的開發(fā)提供了依據(jù)。綜上所述，今后護(hù)理人員在管道風(fēng)險(xiǎn)管理中，可以充分發(fā)揮機(jī)器學(xué)習(xí)法從數(shù)據(jù)中獲取信息的優(yōu)勢，及時(shí)識別工作中的薄弱環(huán)節(jié)，防范UEX 事件發(fā)生。

2.3 跌倒

跌倒是醫(yī)院風(fēng)險(xiǎn)管理優(yōu)先事項(xiàng)，不僅會增加病人的疾病負(fù)擔(dān)，還可能引起不必要的醫(yī)療糾紛。因此，對住院病人跌倒風(fēng)險(xiǎn)因素及預(yù)防策略的研究在跌倒管理中非常重要。近年來，利用人工智能技術(shù)預(yù)防跌倒已逐步成為現(xiàn)實(shí)，機(jī)器學(xué)習(xí)則可用于跌倒前的預(yù)測模型構(gòu)建[36]。Lindberg 等[37]采用了決策樹及其3 種集成算法（隨機(jī)森林算法、Bagging 算法、Boosting 算法）對38個(gè)潛在風(fēng)險(xiǎn)變量進(jìn)行分析，得到了跌倒風(fēng)險(xiǎn)最重要的特征從高到低依次為跌倒史、年齡、Morse 跌倒風(fēng)險(xiǎn)評分、步態(tài)質(zhì)量、科室類別、精神狀態(tài)和使用高跌倒風(fēng)險(xiǎn)藥物（FRIDs）的數(shù)量，4 種模型能夠準(zhǔn)確識別跌倒病人的相關(guān)風(fēng)險(xiǎn)因素，且優(yōu)于Morse 跌倒風(fēng)險(xiǎn)評分的預(yù)測能力。Liu 等[38]應(yīng)用多種機(jī)器學(xué)習(xí)算法構(gòu)建模型，該模型適用于預(yù)測不同時(shí)間點(diǎn)的病人跌倒風(fēng)險(xiǎn)，包括病人入院時(shí)、入院24 h、臨床變量值最大時(shí)、臨近跌倒事件發(fā)生時(shí)，結(jié)果表明模型可以對整個(gè)住院過程進(jìn)行連續(xù)監(jiān)測，且集成分類器模型預(yù)測性能表現(xiàn)優(yōu)于單一分類器。Kawazoe 等[39]使用BERT 算法和Bi-LSTM 算法開發(fā)了一個(gè)基于電子健康記錄的跌倒預(yù)測模型，并且估算出若及時(shí)采取干預(yù)措施，每天的住院費(fèi)用可以節(jié)省6.5 美元。此外，機(jī)器學(xué)習(xí)還能用于進(jìn)一步量化跌倒嚴(yán)重程度，如Wang 等[40]從METEOR 臨床數(shù)據(jù)庫中提取了1 692 例病人的人口統(tǒng)計(jì)學(xué)特征、診斷、骨密度測量數(shù)據(jù)等信息，開發(fā)并驗(yàn)證了一種多視圖集成分類學(xué)習(xí)模型，可用于跌倒風(fēng)險(xiǎn)評估后具體預(yù)測跌倒的嚴(yán)重程度，能夠識別出跌倒危害較高的病人，提示護(hù)理人員分級管理。

目前，國內(nèi)臨床護(hù)理人員多依賴量表和主觀經(jīng)驗(yàn)在病人住院期間進(jìn)行定期評估，篩查不良事件高危人群。在量表應(yīng)用時(shí)，顯現(xiàn)出部分指標(biāo)主觀性較強(qiáng)致評分者間信度偏低等問題，并未有效降低護(hù)理不良事件發(fā)生率[41-43]。同時(shí)，病人住院期間發(fā)生病情變化時(shí)往往需要護(hù)士復(fù)評風(fēng)險(xiǎn)，增加了護(hù)士的日常工作量。機(jī)器學(xué)習(xí)可以自動(dòng)提取病程中新出現(xiàn)的潛在危險(xiǎn)因素，將其納入預(yù)測模型識別高風(fēng)險(xiǎn)病人，提高不良事件預(yù)警的準(zhǔn)確率，優(yōu)化病人護(hù)理。但必須注意的是，當(dāng)前大多數(shù)基于機(jī)器學(xué)習(xí)算法的預(yù)測模型缺乏外部驗(yàn)證，模型泛化能力未知，這將是未來研究中的重要方向。

3 機(jī)器學(xué)習(xí)法在不良事件監(jiān)測中的應(yīng)用

機(jī)器學(xué)習(xí)在圖像數(shù)據(jù)處理方面的發(fā)展為不良事件監(jiān)測提供了新的方法路徑，當(dāng)前已有的研究主要集中在院內(nèi)跌倒監(jiān)測系統(tǒng)開發(fā)上。國內(nèi)外學(xué)者多將機(jī)器學(xué)習(xí)與可穿戴傳感技術(shù)、視頻傳感技術(shù)相結(jié)合開展自動(dòng)跌倒檢測研究。前者通常由病人佩戴的傳感器采集角速度、加速度等數(shù)據(jù)結(jié)合機(jī)器學(xué)習(xí)算法以區(qū)分日常生活活動(dòng)和跌倒事件[44]。研究使用的算法多為深度學(xué)習(xí)算法，如Yu 等[45]開發(fā)了一種基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）和長短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）的集成算法模型（ConvLSTM），用于執(zhí)行人體站立、跌倒過程、撞擊地面時(shí)3 個(gè)階段的分類判別，五重交叉驗(yàn)證表明，ConvLSTM 模型對3 個(gè)階段具有較高的靈敏度（＞93%）和特異度（＞94%），均高于CNN 和LSTM 模型，可以實(shí)時(shí)監(jiān)測跌倒事件。今后若能在跌倒瞬時(shí)觸發(fā)可穿戴式安全氣囊，在很大程度上能減少與跌倒相關(guān)的傷害。有研究利用醫(yī)院視頻監(jiān)控技術(shù)監(jiān)測病人圖像，通過提取圖像中人體主要關(guān)節(jié)點(diǎn)構(gòu)建骨架模型，根據(jù)病人寬高比、下肢與地面夾角等特征使用算法模型識別人體姿態(tài)，以判斷病人是否跌倒[46]。金瑋等[47]應(yīng)用醫(yī)院監(jiān)控視頻獲取實(shí)時(shí)數(shù)據(jù)，基于CNN 算法提出了一種人體姿態(tài)識別方法，自動(dòng)檢測院內(nèi)跌倒事件的發(fā)生，準(zhǔn)確度為99.75%，靈敏度為100%，特異度為99.68%。基于機(jī)器學(xué)習(xí)的跌倒實(shí)時(shí)監(jiān)測系統(tǒng)常用的步驟包括使用傳感技術(shù)收集數(shù)據(jù)、特征提取、構(gòu)建算法模型、跌倒檢測。相比而言，基于可穿戴傳感技術(shù)的跌倒檢測設(shè)備體積小、不受環(huán)境物理因素影響，但易受活動(dòng)干擾，誤報(bào)率較高；采用視頻監(jiān)控技術(shù)成本較低，更適于醫(yī)院工作中護(hù)理人員工作量大、人手短缺的現(xiàn)狀。未來可結(jié)合多模態(tài)傳感器開發(fā)更穩(wěn)健的院內(nèi)跌倒監(jiān)測系統(tǒng)，在開發(fā)時(shí)還需要考慮在采集監(jiān)控圖像時(shí)保障病人隱私的問題。

4 機(jī)器學(xué)習(xí)法在不良事件評估中的應(yīng)用

壓力性損傷發(fā)生后，最首要的措施即評估壓力性損傷分期，給予相應(yīng)的局部傷口護(hù)理。壓力性損傷創(chuàng)面管理往往包括多重異構(gòu)數(shù)據(jù)，機(jī)器學(xué)習(xí)可以利用算法分析病歷中的相關(guān)臨床記錄，將壓力性損傷創(chuàng)面圖像數(shù)據(jù)化以實(shí)現(xiàn)自動(dòng)、高效、非侵入性的壓力性損傷創(chuàng)面評估，避免護(hù)士主觀評估引起的誤差以及侵入性評估傷害。Silva 等[48]提出了一種基于SVM 和Grab cut圖像分割相結(jié)合的算法模型，通過超像素分割、特征提取、數(shù)據(jù)準(zhǔn)備、創(chuàng)面識別、分割5 個(gè)步驟實(shí)現(xiàn)了潰瘍區(qū)域的自動(dòng)識別，并且可以準(zhǔn)確測量創(chuàng)面面積，平均準(zhǔn)確率達(dá)96%。但該研究中沒有將模型用于組織分類，無法監(jiān)測創(chuàng)面愈合過程。Chang 等[49]將多種深度學(xué)習(xí)算法模型結(jié)合，創(chuàng)建了壓力性損傷診斷系統(tǒng)，能夠結(jié)合圖像分析結(jié)果和臨床數(shù)據(jù)對創(chuàng)面進(jìn)行自動(dòng)診斷，提供多方面的診療建議，通過檢測再生上皮化信號（re-ep）評估創(chuàng)面愈合征象；進(jìn)行組織分類以評估肉芽組織占比，評估創(chuàng)面愈合進(jìn)展；使用圖像投影估計(jì)傷口大??；根據(jù)感染、壞死組織的分割結(jié)果以及實(shí)驗(yàn)指標(biāo)提供是否需要手術(shù)清創(chuàng)的輔助決策，診斷模型準(zhǔn)確率達(dá)到99%。由此可見，基于機(jī)器學(xué)習(xí)算法的壓力性損傷管理能夠幫助臨床護(hù)理人員對創(chuàng)面進(jìn)行準(zhǔn)確分析、動(dòng)態(tài)評估，防止發(fā)展成慢性難愈性創(chuàng)面，提高其治愈率。

5 機(jī)器學(xué)習(xí)法在不良事件原因分析中的應(yīng)用

從病人安全事件報(bào)告中學(xué)習(xí)，對事件進(jìn)行追溯分析，探討其發(fā)生原因及改進(jìn)措施，是減少不良事件發(fā)生率、持續(xù)改善醫(yī)療護(hù)理質(zhì)量的關(guān)鍵。當(dāng)前，國內(nèi)各醫(yī)療機(jī)構(gòu)未形成統(tǒng)一、規(guī)范的護(hù)理不良事件上報(bào)系統(tǒng)，填報(bào)內(nèi)容包含著大量描述事件發(fā)生過程的敘事性文本，缺乏合理、清晰的歸類處理[50]，基于原因分析理論模型開展審查，如Reason 模型[51]、SHEL 模型[52-53]等，得出不良事件的級別分布、時(shí)間、科室分布及相關(guān)因素，需要耗費(fèi)大量的時(shí)間和精力，且審查標(biāo)準(zhǔn)不統(tǒng)一，易出現(xiàn)分析人工因素偏差的問題[54]。

在數(shù)據(jù)科學(xué)中，自然語言處理是使機(jī)器能夠理解、處理并解釋人類語言的技術(shù)，同屬人工智能領(lǐng)域?；跈C(jī)器學(xué)習(xí)算法構(gòu)建非結(jié)構(gòu)文本中的自然語言處理模型[55]，發(fā)揮概念提取和關(guān)系識別等功能，可以為護(hù)理人員提供不良事件文本分析時(shí)的輔助工具。國內(nèi)外關(guān)于此方面的報(bào)道還相對較少，宋杰等[56]使用自然語言處理法和人工標(biāo)注法同時(shí)對1 599 例次壓力性損傷事件報(bào)告進(jìn)行分析，將報(bào)告中的“事件主要表現(xiàn)”敘事性文本內(nèi)容作為主要處理對象，以獲取報(bào)告中與壓力性損傷發(fā)生相關(guān)的因素；前者使用基于SVM 算法和條件隨機(jī)場算法的混合特征算法模型，后者由2 名經(jīng)驗(yàn)豐富的護(hù)理專家進(jìn)行人工標(biāo)注，結(jié)果顯示自然語言處理組的標(biāo)注有效率（88.56%）高于人工標(biāo)注組（63.77%），靈敏度達(dá)到87.19%，這意味著僅靠專家分析可能會遺漏部分風(fēng)險(xiǎn)因素。同時(shí)需要注意的是，在自然語言處理模型開發(fā)時(shí)，靈敏度和精度的調(diào)整難以統(tǒng)籌兼顧，假陽性事件可能會因此增加，需要額外的人工確認(rèn)工作量[57]。葛曉偉等[58]通過構(gòu)建字符級文本詞匯表對文本數(shù)據(jù)向量化，使用CNN 算法提取文本特征，采用一對一支持向量機(jī)分類算法對提取的文本特征進(jìn)行分類，構(gòu)建了一種基于CNN-SVM 的護(hù)理不良事件文本分類模型，平均準(zhǔn)確率達(dá)到78%，能夠?qū)Σ涣际录M(jìn)行有效分類。將機(jī)器學(xué)習(xí)算法運(yùn)用于不良事件原因分析，有助于護(hù)理人員識別易被忽略的風(fēng)險(xiǎn)因素，預(yù)測二次事件發(fā)生，并且有助于今后管理人員構(gòu)建不良事件填報(bào)時(shí)的標(biāo)準(zhǔn)語料規(guī)則庫，形成統(tǒng)一的護(hù)理不良事件分類上報(bào)系統(tǒng)。

6 啟示

6.1 優(yōu)勢

在護(hù)理不良事件管理中,機(jī)器學(xué)習(xí)法提高了預(yù)測模型的敏感性和特異性，增強(qiáng)了風(fēng)險(xiǎn)識別能力。目前，國內(nèi)護(hù)理風(fēng)險(xiǎn)相關(guān)預(yù)測模型的構(gòu)建多基于傳統(tǒng)Logistic回歸與Cox 回歸，經(jīng)過單因素、多因素分析后納入有統(tǒng)計(jì)學(xué)意義的變量。但在篩選變量的過程中很容易排除掉某些有潛在臨床意義的變量，因此無法充分利用病歷系統(tǒng)中的真實(shí)臨床數(shù)據(jù)[59]。機(jī)器學(xué)習(xí)算法則無須對變量間的相關(guān)性提出先驗(yàn)假設(shè)，而是使用算法對所有可用數(shù)據(jù)進(jìn)行分析，得出變量間的規(guī)律[60]。同時(shí)，基于機(jī)器學(xué)習(xí)和自然語言處理技術(shù)融合的方法能夠從大量的非結(jié)構(gòu)化記錄（如入院記錄、護(hù)理記錄等）中挖掘數(shù)據(jù)形成預(yù)測模型，推動(dòng)不良事件管理模式向“事前預(yù)防”轉(zhuǎn)型。機(jī)器學(xué)習(xí)和射頻識別、信息傳感等物聯(lián)網(wǎng)技術(shù)的連接提升了數(shù)據(jù)感知能力和病人信息的采集效率[61]，可用于實(shí)時(shí)監(jiān)測高風(fēng)險(xiǎn)水平的病人狀況，輔助護(hù)理決策以最大程度規(guī)避安全事件的發(fā)生，同時(shí)傳感設(shè)備的應(yīng)用減輕了臨床護(hù)士的工作負(fù)荷。壓力性損傷事件發(fā)生后，借助基于深度學(xué)習(xí)算法的圖像處理技術(shù)有利于護(hù)士準(zhǔn)確判斷、評估傷口，開展后續(xù)的傷口護(hù)理計(jì)劃。機(jī)器學(xué)習(xí)的運(yùn)用為不良事件“事中管理”提供更高效的方法。另外，國內(nèi)各醫(yī)療機(jī)構(gòu)完善了不良事件上報(bào)功能，人工審查報(bào)告內(nèi)容時(shí)面臨著耗時(shí)耗力、人為因素多等問題，護(hù)理管理人員可以利用機(jī)器學(xué)習(xí)處理自然語言任務(wù)的能力，智能化提取報(bào)告中的有效信息，實(shí)現(xiàn)不良事件出現(xiàn)后的“事后分析”。

6.2 局限性

機(jī)器學(xué)習(xí)也同樣存在不足，在使用傳統(tǒng)的邏輯、線性回歸進(jìn)行數(shù)據(jù)分析時(shí)，人們可以參考模型系數(shù)解釋模型及其預(yù)測結(jié)果。而機(jī)器學(xué)習(xí)性能的提升會伴隨著模型復(fù)雜性的增加[62]，多存在模型決策過程不透明、結(jié)果缺乏可解釋性等情況，即“黑盒效應(yīng)”[63]。由于模型給出的判斷會對病人進(jìn)一步的治療造成明顯影響，可解釋性缺乏會降低醫(yī)護(hù)人員對模型的信任，阻礙模型轉(zhuǎn)化應(yīng)用于臨床的進(jìn)程，仍然是機(jī)器學(xué)習(xí)面臨的重要挑戰(zhàn)。國內(nèi)研究應(yīng)用場景多為重癥監(jiān)護(hù)室，可能是因?yàn)橹匕Y監(jiān)護(hù)室能更頻繁地實(shí)時(shí)傳感數(shù)據(jù)，可用數(shù)據(jù)較多。機(jī)器學(xué)習(xí)算法受大量臨床數(shù)據(jù)驅(qū)動(dòng)，對數(shù)據(jù)集的要求較高，尤其是深度學(xué)習(xí)算法，需要從大量樣本中提取特征訓(xùn)練模型，以避免過擬合的發(fā)生，很難用于罕見類疾病/癥狀的模型構(gòu)建中[64]，且國內(nèi)醫(yī)療系統(tǒng)數(shù)據(jù)存儲環(huán)節(jié)存在數(shù)據(jù)割裂的問題，如何實(shí)現(xiàn)臨床大量數(shù)據(jù)跨系統(tǒng)融合需要進(jìn)一步探索。

7 展望

機(jī)器學(xué)習(xí)法已在護(hù)理不良事件管理中取得了一定成效，雖存在一定的局限性，但極大地提高了醫(yī)療保健服務(wù)水平與效能，不僅能助力不良事件精準(zhǔn)預(yù)測、保障病人安全，還可以促進(jìn)不良事件轉(zhuǎn)向數(shù)據(jù)化管理。在未來的研究中，如何建立外部效度可靠的預(yù)測模型，并將這種不良事件智能管理系統(tǒng)嵌入到電子病歷系統(tǒng)中是主要方向。建議開展研究探討護(hù)理人員對現(xiàn)有基于機(jī)器學(xué)習(xí)技術(shù)的應(yīng)用看法，以了解人工智能技術(shù)對護(hù)理質(zhì)量的潛在影響；建議將護(hù)理人員納入智慧醫(yī)療項(xiàng)目的設(shè)計(jì)、研發(fā)過程中，重視護(hù)理人員的實(shí)踐角色，加強(qiáng)“護(hù)理學(xué)-工程科學(xué)”的跨學(xué)科聯(lián)系，真正實(shí)現(xiàn)適于醫(yī)院場景的智慧護(hù)理技術(shù)的運(yùn)用。