深度學(xué)習(xí)在護(hù)理領(lǐng)域中的應(yīng)用研究進(jìn)展

吳 東，郭俊晨，諶永毅*

1.湖南中醫(yī)藥大學(xué)護(hù)理學(xué)院，湖南 410208；2.湖南省腫瘤醫(yī)院

《全國(guó)護(hù)理事業(yè)發(fā)展規(guī)劃（2021—2025 年）》明確提出，應(yīng)充分利用云計(jì)算、人工智能（AI）等信息技術(shù)，為病人提供便捷高效的護(hù)理服務(wù)。目前，人工智能技術(shù)已在疾病預(yù)測(cè)與診斷、慢性疾病管理與護(hù)理、醫(yī)學(xué)影像識(shí)別等方面廣泛應(yīng)用，其中深度學(xué)習(xí)（deep learning）是實(shí)現(xiàn)這個(gè)過(guò)程的重要技術(shù)。深度學(xué)習(xí)作為人工智能的分支，是以人腦的功能為基礎(chǔ)進(jìn)行模擬、分析和學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，其具有強(qiáng)大的學(xué)習(xí)能力，擅長(zhǎng)挖掘高維（即具有幾十到幾千個(gè)屬性）數(shù)據(jù)中的豐富結(jié)構(gòu)。近年來(lái)，越來(lái)越多的學(xué)者開(kāi)始關(guān)注并嘗試將深度學(xué)習(xí)相關(guān)技術(shù)應(yīng)用在醫(yī)療領(lǐng)域中。本研究就深度學(xué)習(xí)在臨床護(hù)理工作、護(hù)理管理、護(hù)理教育、康復(fù)和慢性病管理等方面的應(yīng)用進(jìn)行綜述，旨在為我國(guó)醫(yī)護(hù)人員在臨床實(shí)踐中應(yīng)用深度學(xué)習(xí)技術(shù)提供參考。

1 概述

1.1 深度學(xué)習(xí)的概念

深度學(xué)習(xí)即深度網(wǎng)絡(luò)學(xué)習(xí),作為人工智能領(lǐng)域中一個(gè)新興的研究方向,其概念最早由多倫多大學(xué)的Geoffery Hinton 等于2006 年提出[1]，它是指一類(lèi)算法的集合，通過(guò)模擬人腦的分層結(jié)構(gòu)實(shí)現(xiàn)對(duì)輸入數(shù)據(jù)進(jìn)行由低級(jí)到高級(jí)的特征提取，從而能夠解釋輸入數(shù)據(jù)[2]。深度學(xué)習(xí)將人類(lèi)從構(gòu)建模型的復(fù)雜活動(dòng)中解放出來(lái),并提供一種更優(yōu)化、更智能的算法,能夠自動(dòng)從海量數(shù)據(jù)庫(kù)中進(jìn)行自我學(xué)習(xí),自動(dòng)調(diào)整規(guī)則參數(shù)并優(yōu)化規(guī)則和模型,識(shí)別準(zhǔn)確率高[3]。在醫(yī)療實(shí)踐中，深度學(xué)習(xí)常見(jiàn)的兩種模型架構(gòu)主要為卷積類(lèi)神經(jīng)網(wǎng)絡(luò)和遞回類(lèi)神經(jīng)網(wǎng)絡(luò)[4]。

1.2 深度學(xué)習(xí)的發(fā)展歷程

深度學(xué)習(xí)的基礎(chǔ)是人工神經(jīng)網(wǎng)絡(luò)，其發(fā)展迄今為止經(jīng)歷了3 次浪潮，1943—1969 年為啟蒙階段，在此期間各種人工智能的概念被相繼提出；1974—2006 年為發(fā)展階段，具有代表性的技術(shù)，如反向傳播算法、循環(huán)神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)等深度生成架構(gòu)逐步成形；2006 年至今為爆發(fā)階段，深度學(xué)習(xí)在科學(xué)與技術(shù)的各個(gè)領(lǐng)域開(kāi)始廣泛應(yīng)用。研究表明，深度學(xué)習(xí)可協(xié)助醫(yī)護(hù)人員從大量的數(shù)據(jù)中構(gòu)建各系統(tǒng)疾病的精準(zhǔn)預(yù)測(cè)模型來(lái)提取最有利的參數(shù)，將煩瑣的數(shù)據(jù)轉(zhuǎn)化為通俗易懂的知識(shí)，對(duì)提升護(hù)理效率和服務(wù)質(zhì)量具有重要意義[5-6]。2013 年有學(xué)者將深度學(xué)習(xí)帶入護(hù)理工作領(lǐng)域[7]，其在護(hù)理領(lǐng)域中被用于優(yōu)化護(hù)理流程[8]、管理ICU 醫(yī)療耗材[9]、識(shí)別病人臨終偏好[10]以及改善安寧療護(hù)照護(hù)[11]等內(nèi)容。自2018 年開(kāi)始,在醫(yī)療領(lǐng)域中與深度學(xué)習(xí)相關(guān)的研究熱度急劇升溫[12]，其精準(zhǔn)性、系統(tǒng)性、有效性已得到初步證實(shí)。

2 深度學(xué)習(xí)在護(hù)理領(lǐng)域中的應(yīng)用

2.1 臨床護(hù)理

2.1.1 病情觀察

臨床病人病情瞬息萬(wàn)變，為幫助護(hù)士及早發(fā)現(xiàn)病人的病情變化，國(guó)內(nèi)外研究人員已構(gòu)建多種病情預(yù)警評(píng)估工具，但這些工具都存在缺陷，如包含的生理指標(biāo)有限、單一時(shí)點(diǎn)的評(píng)估缺乏連續(xù)性、展現(xiàn)病人病情變化趨勢(shì)較片面等[13]。深度學(xué)習(xí)技術(shù)在病情監(jiān)測(cè)方面的應(yīng)用為解決上述難題開(kāi)辟了新的視角。Barrera 等[14]在急性精神健康住院病房引入人工智能技術(shù)，研究表明，基于深度學(xué)習(xí)的數(shù)字輔助護(hù)理觀察可在夜間進(jìn)行間歇性和每小時(shí)護(hù)理觀察，護(hù)理人員可以在不叫醒病人的情況下觀察病人在病房中的安全、脈搏和呼吸頻率，同時(shí)可改善病人在精神病病房的體驗(yàn)。Hannun 等[15]采用深度學(xué)習(xí)算法開(kāi)發(fā)了一種可檢測(cè)12 種心律失常的分類(lèi)模型。Attia 等[16]運(yùn)用人工智能技術(shù)，構(gòu)建了一款可對(duì)竇性心律伴發(fā)心房顫動(dòng)的心電圖特征進(jìn)行預(yù)測(cè)的深度學(xué)習(xí)模型，能夠?qū)Σ∪诉M(jìn)行持續(xù)監(jiān)測(cè)。Magi 等[17]利用圖像處理和深度學(xué)習(xí)技術(shù)開(kāi)發(fā)出一種可對(duì)ICU病人進(jìn)行實(shí)時(shí)監(jiān)控的新型手部監(jiān)測(cè)系統(tǒng)，該系統(tǒng)將病人的手分類(lèi)為“正常”和“異?！眱煞N,后者表明病人出現(xiàn)手部活動(dòng)，此時(shí)系統(tǒng)會(huì)向醫(yī)護(hù)人員發(fā)出報(bào)警信號(hào)，從而讓病人得到及時(shí)的救治。但目前該系統(tǒng)只適用于手部觀察，還未拓展至全身監(jiān)測(cè)。

2.1.2 生存期預(yù)測(cè)

文獻(xiàn)報(bào)道，處于疾病終末期的病人希望得到全面、準(zhǔn)確的醫(yī)療信息,以合理安排人生的最后階段[18]。人工智能預(yù)測(cè)模型不僅能輔助病人進(jìn)行臨床決策，還可以協(xié)助醫(yī)護(hù)人員為病人進(jìn)行早期護(hù)理及醫(yī)療干預(yù)。有研究者利用胸片及其他臨床因素構(gòu)建并驗(yàn)證了基于深度學(xué)習(xí)的慢性阻塞性肺疾?。–OPD）病人生存預(yù)測(cè)模型（深度學(xué)習(xí)SP），結(jié)果顯示，此模型在所有隊(duì)列中均顯示出良好的校準(zhǔn)度，能有效預(yù)測(cè)COPD 病人的生存期[19]。Avati 等[11]根據(jù)住院病人的電子健康記錄（electronic health record，EHR）數(shù)據(jù)訓(xùn)練了一個(gè)深度學(xué)習(xí)模型，旨在預(yù)測(cè)病人3～12 個(gè)月的死亡率及安寧療護(hù)的照護(hù)需求，從而可確定病人安寧療護(hù)的介入時(shí)間，為病人更優(yōu)質(zhì)地度過(guò)臨終階段提供選擇和保證。此外，Yang 等[20]訓(xùn)練并驗(yàn)證了一種可穿戴活動(dòng)記錄儀和基于深度學(xué)習(xí)模式的生存期預(yù)測(cè)模型，此模型通過(guò)分析病人入院后24 h 和48 h 的客觀活動(dòng)數(shù)據(jù)自動(dòng)預(yù)測(cè)終末期癌癥病人生存期，其預(yù)測(cè)的準(zhǔn)確率為83%。由此，護(hù)理人員不僅可及早發(fā)現(xiàn)有死亡風(fēng)險(xiǎn)的病人，為其制定個(gè)體化的護(hù)理計(jì)劃，還可以減輕護(hù)士在臨床中的工作量。

2.1.3 心理護(hù)理

在心理護(hù)理方面，深度學(xué)習(xí)被用于構(gòu)建焦慮、抑郁、情緒分類(lèi)等精神衛(wèi)生健康問(wèn)題的風(fēng)險(xiǎn)預(yù)測(cè)模型，為病人選擇最優(yōu)的心理干預(yù)方法提供依據(jù)。Jacobson等[21]以265 例焦慮癥病人為研究對(duì)象，開(kāi)發(fā)了基于可穿戴傳感器的深度學(xué)習(xí)模型，該模型能有效預(yù)測(cè)焦慮的發(fā)生和癥狀是否加重，具有一定的臨床應(yīng)用價(jià)值。毛小玲等[22]對(duì)現(xiàn)有的卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行改進(jìn)，提出一種具備定量逼近學(xué)習(xí)能力的改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)，并以某高校大學(xué)生為研究對(duì)象進(jìn)行腦電波（EEG）測(cè)試實(shí)驗(yàn)，結(jié)果表明，所提出的方案不僅實(shí)現(xiàn)了對(duì)焦慮情感的精確量化識(shí)別，在一定程度上還能利用所得模型對(duì)大學(xué)生焦慮障礙病人的某些重要內(nèi)在病理因素進(jìn)行追溯分析，為后續(xù)臨床心理護(hù)理和心理危機(jī)干預(yù)提供更詳細(xì)可靠的診斷依據(jù)。研究者基于深度學(xué)習(xí)情感分類(lèi)模型對(duì)抑郁癥病人EEG 信號(hào)隱藏節(jié)律分布及腦電波變化進(jìn)行挖掘，并根據(jù)EEG 信號(hào)判斷抑郁癥病人現(xiàn)階段的情感類(lèi)型、抑郁程度，該模型的構(gòu)建有助于護(hù)理人員明確了解抑郁癥病人真實(shí)的心理及腦部活動(dòng)，同時(shí)也為病人提供更具針對(duì)性的醫(yī)護(hù)方案探明了方向[23]。

2.2 護(hù)理管理

2.2.1 分診管理

目前，我國(guó)三級(jí)甲等醫(yī)院的門(mén)診預(yù)檢量居高不下，門(mén)診病人就診量大、護(hù)理人力資源有限、以人工分診形式為主，且分診工作內(nèi)容復(fù)雜，為預(yù)檢分診工作帶來(lái)挑戰(zhàn)[24]。有研究證實(shí)，利用深度學(xué)習(xí)技術(shù)可在短時(shí)間內(nèi)準(zhǔn)確分診，實(shí)現(xiàn)醫(yī)療資源優(yōu)化利用，提高工作效率[25-26]。劉勘等[27]通過(guò)病人的主訴及其既往病史記錄,構(gòu)建了一個(gè)以卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的分診模型，研究表明，與在分診階段直接使用病人的自述文字相比，該方法會(huì)存在一定的誤差,但仍有助于提高分診的效率和準(zhǔn)確性。周英等[28]利用成熟的醫(yī)療知識(shí)圖譜并結(jié)合卷積神經(jīng)網(wǎng)絡(luò)算法，構(gòu)建了智能分診模型，該模型可識(shí)別病人的癥狀描述，能推理出疾病并推薦相應(yīng)的科室，準(zhǔn)確率達(dá)88%。由此可見(jiàn)，基于深度學(xué)習(xí)的智能分診模型的建立可有效改善病人服務(wù)體驗(yàn)，提高了病人就診效率，也降低了人工服務(wù)成本。

2.2.2 護(hù)理不良事件

一項(xiàng)針對(duì)8 個(gè)中低收入國(guó)家26 所醫(yī)院的研究顯示，不良事件發(fā)生率約為8%,在這些事件中83%是可以預(yù)防的[29]。研究顯示，深度學(xué)習(xí)可從大量無(wú)規(guī)律的數(shù)據(jù)中辨析出發(fā)生護(hù)理不良事件的關(guān)鍵風(fēng)險(xiǎn)因素，能夠用于高危人群的篩查，其可操作性較強(qiáng)，為早期預(yù)防護(hù)理不良事件提供了良好的技術(shù)支撐[30-33]。目前已有學(xué)者將深度學(xué)習(xí)運(yùn)用于護(hù)理不良事件的預(yù)測(cè)模型中，通過(guò)深度學(xué)習(xí)建立的預(yù)測(cè)模型能夠?qū)Σ∪说纳碇笜?biāo)進(jìn)行實(shí)時(shí)監(jiān)測(cè)與反饋，以便護(hù)理人員及時(shí)采取有效防范措施，減少護(hù)理不良事件的發(fā)生[34-37]。Delgado-Escano等[34]以用戶(hù)原始的人體慣性數(shù)據(jù)作為深度學(xué)習(xí)模型中的預(yù)測(cè)變量，構(gòu)建并驗(yàn)證了能實(shí)時(shí)完成跌倒檢測(cè)和人員身份識(shí)別任務(wù)的多任務(wù)學(xué)習(xí)跌倒預(yù)警模型，結(jié)果表明，該模型對(duì)跌倒檢測(cè)和用戶(hù)身份識(shí)別的準(zhǔn)確率分別為98.0%和79.6%。研究者通過(guò)深度學(xué)習(xí)技術(shù)將實(shí)時(shí)跌倒檢測(cè)、跌倒事件回顧、臨床決策支持算法和以人為中心的干預(yù)措施相結(jié)合，使用戶(hù)因跌倒而去醫(yī)院的次數(shù)減少41%[35]。Goodwin 等[36]構(gòu)建了一款基于深度學(xué)習(xí)中遞歸神經(jīng)網(wǎng)絡(luò)的醫(yī)院獲得性壓力性損傷風(fēng)險(xiǎn)預(yù)測(cè)模型，研究結(jié)果顯示，與經(jīng)典機(jī)器學(xué)習(xí)算法和Braden量表相比,該模型可提高壓力性損傷預(yù)測(cè)的準(zhǔn)確性。Wang 等[37]將卷積神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)相結(jié)合，開(kāi)發(fā)了一種能在5 s 內(nèi)完成圖像數(shù)據(jù)采集的傷口創(chuàng)面測(cè)量工具，其準(zhǔn)確率達(dá)95.0%，這有助于減輕護(hù)理人員管理壓力性損傷的工作負(fù)荷。

2.3 護(hù)理教育

護(hù)理教育是學(xué)科發(fā)展的基礎(chǔ)，旨在培養(yǎng)學(xué)生以實(shí)踐能力為主的綜合能力，同時(shí)護(hù)理教育也是護(hù)士培養(yǎng)、進(jìn)修及能力提升的重要環(huán)節(jié)。王欣等[38]選取101 名專(zhuān)科護(hù)生作為研究對(duì)象，將基于卷積神經(jīng)網(wǎng)絡(luò)的人工智能沉浸式教學(xué)方法應(yīng)用在基礎(chǔ)護(hù)理教學(xué)中，結(jié)果顯示，該方法可顯著提高學(xué)生的學(xué)習(xí)積極性，與傳統(tǒng)教學(xué)方法相比，能夠明顯改善學(xué)生的臨床思維能力和學(xué)習(xí)效果。用相關(guān)軟件及深度學(xué)習(xí)技術(shù)分析護(hù)理碩士、博士生的學(xué)習(xí)特點(diǎn)，收集其網(wǎng)頁(yè)瀏覽、語(yǔ)音、圖像、視頻等行為數(shù)據(jù)信息，通過(guò)人工智能深度推薦算法，可預(yù)測(cè)碩士、博士生的興趣偏好，智能化推送學(xué)習(xí)內(nèi)容和創(chuàng)建個(gè)性化教學(xué)模式。人工智能與深度學(xué)習(xí)技術(shù)具有較高的數(shù)據(jù)跟蹤與分析能力,逐步在護(hù)理教育中發(fā)揮作用[39]。有學(xué)者提倡在本科和研究生現(xiàn)有的護(hù)理教育課程中加入人工智能和深度學(xué)習(xí)的基礎(chǔ)知識(shí)(如概念、算法、模型)等內(nèi)容。對(duì)于我國(guó)的發(fā)展而言，在護(hù)理本科、碩士及博士生教育中加入人工智能和深度學(xué)習(xí)技術(shù)，設(shè)置相應(yīng)的課程，構(gòu)建完善的核心課程體系，培養(yǎng)出有數(shù)據(jù)利用能力的科研人員是未來(lái)的趨勢(shì)所在[5,40]。

2.4 康復(fù)和慢性病管理

康復(fù)管理旨在預(yù)防繼發(fā)性殘疾和并發(fā)癥,最大限度提升自理和活動(dòng)能力,幫助病人早日回歸正常生活。Chae 等[41]研發(fā)了一種智能穿戴設(shè)備和基于深度學(xué)習(xí)模式的上肢家庭康復(fù)系統(tǒng)，有望成為未來(lái)腦卒中病人家庭護(hù)理治療的一種實(shí)用且經(jīng)濟(jì)的康復(fù)工具。Liao等[42]提出一種利用深度學(xué)習(xí)技術(shù)實(shí)現(xiàn)對(duì)人體康復(fù)訓(xùn)練質(zhì)量自動(dòng)評(píng)估的框架，該框架包括降維算法、性能度量、評(píng)分函數(shù)及深度學(xué)習(xí)模型，并利用10 個(gè)康復(fù)練習(xí)的數(shù)據(jù)集對(duì)所提出的框架進(jìn)行了驗(yàn)證，結(jié)果表明，該框架可協(xié)助醫(yī)護(hù)人員對(duì)病人康復(fù)訓(xùn)練過(guò)程進(jìn)行密切監(jiān)督，保證康復(fù)訓(xùn)練的質(zhì)量，以達(dá)到預(yù)期最佳的康復(fù)效果。糖尿病、慢性呼吸系統(tǒng)疾病等慢性病的發(fā)病率不斷升高,慢性病的管理已成為一項(xiàng)重要的護(hù)理工作。深度學(xué)習(xí)技術(shù)可整合不同維度和層次的數(shù)據(jù),為慢性病管理提供了新的技術(shù)支撐。趙楠等[43]構(gòu)建基于深度學(xué)習(xí)的糖尿病足潰瘍智能測(cè)量模型，實(shí)現(xiàn)了3 個(gè)建模過(guò)程：傷口區(qū)域定位、標(biāo)尺刻度檢測(cè)、測(cè)量指標(biāo)的計(jì)算與換算，這是國(guó)內(nèi)首次采用深度學(xué)習(xí)算法對(duì)糖尿病足潰瘍面積進(jìn)行測(cè)量，實(shí)現(xiàn)了深度學(xué)習(xí)在糖尿病足潰瘍護(hù)理領(lǐng)域的應(yīng)用。Wu 等[44]基于深度學(xué)習(xí)和機(jī)器學(xué)習(xí)開(kāi)發(fā)了一種急性加重的COPD 預(yù)測(cè)模型，用于判斷病人1 周內(nèi)是否會(huì)發(fā)生急性加重的COPD，準(zhǔn)確度（92.1%）較高，為病人的急診科就診提供了充足的預(yù)警時(shí)間。

3 小結(jié)與展望

隨著人工智能技術(shù)的發(fā)展，深度學(xué)習(xí)與護(hù)理領(lǐng)域的結(jié)合應(yīng)用取得了一定的成果，為護(hù)理信息化發(fā)展提供了新方向、新模式、新經(jīng)驗(yàn)。目前，深度學(xué)習(xí)算法在臨床護(hù)理工作、護(hù)理管理、護(hù)理教育、康復(fù)和慢性病管理等方面的應(yīng)用已經(jīng)開(kāi)始起步，為病人或?qū)W生提供了更精準(zhǔn)的個(gè)體化干預(yù)措施，實(shí)現(xiàn)了護(hù)理學(xué)科的信息化研究。然而，大多數(shù)研究是以深度學(xué)習(xí)為基礎(chǔ)開(kāi)發(fā)的預(yù)測(cè)模型，且現(xiàn)有的數(shù)據(jù)質(zhì)量參差不齊，開(kāi)發(fā)的預(yù)測(cè)模型的準(zhǔn)確性和可行性有待驗(yàn)證。因此，在未來(lái)的工作中護(hù)士應(yīng)積極融入人工智能的大環(huán)境，主動(dòng)參與深度學(xué)習(xí)技術(shù)的研發(fā)應(yīng)用和護(hù)理大數(shù)據(jù)的管理，在前瞻性和臨床實(shí)踐中對(duì)這些系統(tǒng)進(jìn)行強(qiáng)有力的探究，以了解深度學(xué)習(xí)如何在醫(yī)療領(lǐng)域?yàn)椴∪颂峁﹥?yōu)質(zhì)護(hù)理，讓人工智能在促進(jìn)人類(lèi)健康方面發(fā)揮更大的作用。