人工智能電話隨訪在社區(qū)高血壓患者健康管理中的應(yīng)用現(xiàn)況及影響因素分析

摘 要 目的：對人工智能（artificial intelligence，AI）電話隨訪的接聽、信息采集、一致性情況等進行分析，以評價AI技術(shù)在社區(qū)慢性病隨訪管理中的應(yīng)用價值。方法：于2020年9月1日—9月30日采用多階段整群隨機抽樣方法選取上海市靜安區(qū)彭浦新村街道社區(qū)衛(wèi)生服務(wù)中心慢性病管理對象中需隨訪的高血壓患者作為調(diào)查對象，采用AI隨訪系統(tǒng)對高血壓患者進行電話隨訪，對采集到的內(nèi)容進行有效信息提取，自動生成隨訪結(jié)果。結(jié)果：本次研究所覆蓋的高血壓患者為4 070例，其中3 887例進行了應(yīng)答，電話接通率為95.50%，有效應(yīng)答人數(shù)為3 529例。二分類及多分類條目的信息采集率及一致率與詢問次序呈低度負相關(guān)，定量類條目的信息采集率及一致率與詢問次序呈低度正相關(guān)。AI電話隨訪系統(tǒng)共采集了52 852條信息，語音信息采集完整率為71.31%，其中49 677條信息與人工復核結(jié)果一致，語音識別信息一致率為93.99%。單因素分析結(jié)果顯示，數(shù)據(jù)類型、年齡及AI電話隨訪撥打時間是對語音識別信息一致率差異具有統(tǒng)計學意義的影響因素（P<0.05）。結(jié)論：建議通過加載方言語音包、設(shè)置更為智能化的交互問詢、更加標準化的答案設(shè)置及個性化的電話隨訪撥打時間等提升AI電話隨訪的信息采集率及一致率。

關(guān)鍵詞 高血壓患者；人工智能電話隨訪；影響因素分析

中圖分類號：R544.1 文獻標志碼：A 文章編號：1006-1533（2024）16-0008-05

引用本文 張琳， 彭德榮， 羅元欣， 等. 人工智能電話隨訪在社區(qū)高血壓患者健康管理中的應(yīng)用現(xiàn)況及影響因素分析[J]. 上海醫(yī)藥， 2024， 45（16）： 8-12.

基金項目：上海市衛(wèi)生健康委員會科研項目（2023HCnVcaTpGKqh3/YyibLog==14Y0488）

Analysis of the application status and influencing factors of AI telephone follow-up in the health management of hypertensive patients in the community

ZHANG Lin1， PENG Derong2， LUO Yuanxin1， JIN Changqin1， CHENG Minna3， WANG Siyuan3， JIANG Yun1

（1. Health Management Department of Pengpuxincun Community Health Service Center of Jingan District， Shanghai 200435， China； 2. Pengpuxincun Community Health Service Center of Jingan District， Shanghai 200435， China； 3. Health Management Department， Division of Non-communicable Disease and Injury， Shanghai Municipal Center for Disease Control and Prevention， Shanghai 200336， China）

ABSTRACT Objective： To analyze the artificial intelligence（AI） telephone follow-up answering， information collection， and consistency to evaluate the application value of AI technology in community chronic disease follow-up management. Methods： From September 1 to 30， 2020， the multi-stage cluster random sampling method was used to select hypertensive patients who needed followup among the chronic disease management subjects in Pengpuxincun Community Health Service Center as the survey objects， and the AI follow-up system was used to conduct telephone follow-up of hypertensive patients， and the contents collected were effectively extracted， and automaticallJZjhjRc/33nMBP8V2Nv2jw==y generated follow-up results. Results： A total of 4 070 hypertensive patients were covered in this study， of which 3 887（95.50%） responded and 3 529 responded effectively. The information collection rate and agreement rate of dichotomous data and multi-categorical data were negatively correlated with the order of inquiry， while the quantitative data were positively correlated. A total of 52 852 pieces（71.31%） of the information were collected by the AI telephone follow-up system， of which 49 677 pieces （93.99%） were consistent with the results of manual review. The results of univariate analysis showed that data type， age and dialing time of AI telephone follow-up were statistically significant influencing factors for the difference in the consistency rate of speech recognition information（P<0.05）. Conclusion： It is suggested to improve the information collection rate and consistency rate of AI telephone follow-up by loading dialect voice packs， setting up more intelligent interactive inquiry， more standardized answer settings， and personalized telephone follow-up dialing time.

KEY WORDS hypertensive patient； AI telephone follow-up； analysis of influencing factor

WHO于2023年發(fā)布的《全球高血壓報告》顯示，全球高血壓患者的數(shù)量在2019年底已達13億[1]，目前我國成年人中約有2.45億人患高血壓，總體年齡標準化患病率為27%，診斷率為52%，治療達標率僅為16%[2]。高血壓是心腦血管疾病最主要的危險因素，在全球約與1 080萬人的死亡有關(guān)[3-4]。為做好慢性病日常隨訪，對患者進行全面健康管理，社區(qū)衛(wèi)生服務(wù)中心需投入大量人力資源開展此項工作，目前上海市在管高血壓患者約為200余萬人[5]，社區(qū)衛(wèi)生服務(wù)中心的醫(yī)護人員數(shù)量較少，難以承擔如此龐大的隨訪工作量。近年來，語音識別技術(shù)已進入試點階段[6-8]，為提升隨訪工作效率、減輕醫(yī)護人員的工作壓力，上海市靜安區(qū)彭浦新村街道社區(qū)衛(wèi)生服務(wù)中心引入AI技術(shù)，本次研究對人工智能（artificial intelligence，AI）電話隨訪的接聽、信息采集、一致性情況等進行分析，以評價AI技術(shù)在社區(qū)慢性病隨訪管理中的應(yīng)用價值。

1 資料與方法

1.1 一般資料

于2020年9月1日—9月30日采用多階段整群隨機抽樣方法選取上海市靜安區(qū)彭浦新村街道社區(qū)衛(wèi)生服務(wù)中心慢性病管理對象中需隨訪的高血壓患者作為調(diào)查對象。納入標準：（1）符合《中國高血壓防治指南2018年修訂版》[9]中的高血壓診斷標準；（2）已完成首次面對面隨訪；（3）通過慢性病隨訪管理信息系統(tǒng)導入的基本信息完整；（4）知情同意，自愿參與。排除標準：（1）合并神經(jīng)類疾病、老年癡呆、失語等，無法進行正常交流。

本次研究所覆蓋的高血壓患者為4 070例，其中3 887例進行了應(yīng)答。3 887例高血壓患者中，男性1 714例（44.1%），女性2 173例（55.9%）；<60歲的178例（4.6%），60～69歲的1 060例（27.3%），70～79歲的1 507例（38.7%），≥80歲的1 142例（29.4%）。

1.2 研究方法

1.2.1 隨訪內(nèi)容

根據(jù)《上海市社區(qū)健康管理工作規(guī)范——慢性病綜合防治（2017年版）》[10]中的《高血壓患者管理隨訪信息表》設(shè)計隨訪問題，隨訪問題為包括不良癥狀、合并其他疾病、攝鹽情況、用藥情況、規(guī)律活動及血壓值等在內(nèi)的21個條目。

將需采集的信息條目轉(zhuǎn)化為便于理解的標準化詢問語句，如將“面色蒼白或潮紅”轉(zhuǎn)化為“請問您最近有面色蒼白或潮紅的情況嗎”，并設(shè)置相應(yīng)的結(jié)果選項“有”“沒有”，AI按照結(jié)果進行判定。

1.2.2 隨訪流程

采用AI隨訪系統(tǒng)對高血壓患者進行電話隨訪，由計算機自動撥打患者電話，并按照標準的隨訪流程和話術(shù)，模擬人聲與被隨訪者進行溝通。隨訪結(jié)束后，對采集到的內(nèi)容進行有效信息提取，自動生成隨訪結(jié)果。

1.3 評價方法與指標

1.3.1 評價方法

由2名調(diào)查員進行AI隨訪結(jié)果的一致性判定，調(diào)查員通過收聽隨訪錄音判定結(jié)果，如2名調(diào)查員的判定結(jié)果不一致，則由第3名調(diào)查員收聽錄音并撥打調(diào)查對象的電話核實存在爭議的問題，進行最終判定。

1.3.2 評價指標

（1）電話接通率=電話接通人數(shù)/撥打電話人數(shù)×100%；（2）有效應(yīng)答人數(shù)=信息部分采集人數(shù)+信息完整采集人數(shù)；（3）有效應(yīng)答率=有效應(yīng)答人數(shù)/電話接通人數(shù)×100%；（4）信息采集率=信息采集數(shù)/有效應(yīng)答人數(shù)×100%；（5）信息一致率=信息一致數(shù)/信息采集數(shù)×100%；（6）語音識別信息一致率=正確識別條目數(shù)/總回答條目數(shù)×100%；（7）語音信息采集完整率=采集到的條目數(shù)/有效應(yīng)答人數(shù)應(yīng)被詢問的條目數(shù)×100%。

1.4 統(tǒng)計學方法

采用SPSS 23.0軟件進行統(tǒng)計學分析，計數(shù)資料以百分率（%）表示，比較采用χ2檢驗，兩兩比較采用Bonferroni法，有序多分類資料的趨勢變化采用趨勢χ2檢驗。以P<0.05為差異有統(tǒng)計學意義。

2 結(jié)果

2.1 隨訪應(yīng)答及信息采集情況

本次研究所覆蓋的高血壓患者為4 070例，其中3 887例進行了應(yīng)答，電話接通率為95.50%，有效應(yīng)答人數(shù)為3 529例，有效應(yīng)答率為90.79%。

單因素分析結(jié)果顯示，性別、年齡及AI電話隨訪撥打時間均不是對信息采集情況差異具有統(tǒng)計學意義的影響因素（P>0.05），見表1。

2.2 隨訪條目的信息采集及一致性與詢問次序相關(guān)性分析

對二分類、多分類及定量類條目分別進行信息采集及信息一致率趨勢χ2檢驗，在信息采集完整率方面，二分類（χ2=2 373.559，P<0.001）及多分類（χ2=1 946.846，P<0.001）條目的信息采集率與詢問次序呈低度負相關(guān)，定量類（χ2=2 154.242，P<0.001）條目的信息采集率與詢問次序呈低度正相關(guān)；在信息一致率方面，二分類（χ2=22.780，P=0.049）、多分類（χ2=183.326，P<0.001）條目的信息一致率與詢問次序呈低度負相關(guān)，定量類（χ2=249.011，P<0.001）條目的信息一致率與詢問次序呈低度正相關(guān)，見表2。

2.3 語音識別信息一致率情況

AI電話隨訪系統(tǒng)共采集了52 852條信息，應(yīng)采集信息74 112條，語音信息采集完整率為71.31%，其中49 677條信息與人工復核結(jié)果一致，語音識別信息一致率為93.99%。

單因素分析結(jié)果顯示，數(shù)據(jù)類型、年齡及AI電話隨訪撥打時間是對語音識別信息一致率差異具有統(tǒng)計學意義的影響因素（P<0.05）。進一步采用Bonferroni檢驗法進行兩兩比較，結(jié)果顯示，二分類數(shù)據(jù)>多分類數(shù)據(jù)>定量類數(shù)據(jù)的語音識別信息一致率（P<0.017），60～69歲組>70～79歲組/≥80歲組的語音識別信息一致率（P<0.0083），16：01—18：00時間段>9：00—12：00時間段/12：01—15：00時間段的語音識別信息一致率（P<0.017），見表3。

3 討論

上海市靜安區(qū)彭浦新村街道社區(qū)衛(wèi)生服務(wù)中心轄區(qū)內(nèi)常住人口14.28萬名，其中高血壓規(guī)范管理15 549名，中心全科醫(yī)生45名，助理24名，平均每人每季度需完成176次高血壓患者隨訪。相關(guān)研究顯示，由于隨訪任務(wù)繁重，隨訪人員習慣用近似數(shù)字記錄患者血壓值，數(shù)據(jù)的準確性、一致性和真實性無法保證[11]。隨著AI技術(shù)的日益發(fā)展，基于該項技術(shù)的隨訪已進入試點階段，其優(yōu)勢在于通過統(tǒng)一的話術(shù)確保隨訪信息采集的同質(zhì)性[12]。本次研究所覆蓋的高血壓患者為4 070例，其中3 887例進行了應(yīng)答，有效應(yīng)答人數(shù)為3 529例，有效應(yīng)答率為90.79%，相關(guān)研究結(jié)果也顯示，AI電話隨訪能顯著提升隨訪效率[13]。

單因素分析結(jié)果顯示，性別、年齡及AI電話隨訪撥打時間均不是對信息采集情況差異具有統(tǒng)計學意義的影響因素（P>0.05），說明AI電話隨訪能夠適用于不同年齡段、不同性別的高血壓患者，與相關(guān)研究結(jié)果一致[14]。本次信息完整采集人數(shù)僅占12.61%，說明AI電話隨訪在問題設(shè)置、撥打技巧等方面仍存在較大提升空間。進一步分析隨訪條目對信息采集率及一致率的影響，結(jié)果顯示二分類及多分類條目的信息采集率及一致率與詢問次序呈低度負相關(guān)，與相關(guān)研究結(jié)果類似[15]。在AI電話隨訪問題較多的情況下，次序較靠后的問題采集率及一致率相對較低，提示設(shè)計隨訪問題時應(yīng)控制條目數(shù)量，并根據(jù)問題難易程度安排詢問次序，以提升信息采集率及一致率。定量類條目的信息采集率及一致率與詢問次序呈低度正相關(guān)，推測一方面與該類問題設(shè)置較少導致的樣本選擇偏倚有關(guān)；另一方面該類條目的信息采集率與一致性均較低，建議在進行電話隨訪時明確告知調(diào)查對象回答模板，提升AI隨訪的信息一致率。分析結(jié)果還顯示，采集條目的數(shù)據(jù)類型與語音識別信息一致率相關(guān)，定量數(shù)據(jù)的一致率最低，二分類定性數(shù)據(jù)的一致率最高，與相關(guān)研究結(jié)果類似[16]，應(yīng)盡可能將隨訪問題設(shè)計為定性類別，如果必須是定量類的，也應(yīng)將回復內(nèi)容設(shè)置為便于AI進行識別的阿拉伯數(shù)字。

本次AI電話隨訪系統(tǒng)共采集了52 852條信息，語音識別信息一致率為93.99%，其中定量數(shù)據(jù)的語音識別信息一致率僅為73.88%，原因可能為隨訪對象多為上海本地居民，習慣以上海話進行日常溝通，而AI電話隨訪系統(tǒng)目前只設(shè)置了普通話語音包，對于部分普通話發(fā)音不標準的人群無法進行準確的信息傳遞[17-18]；此外，由于提問方式比較機械，患者只能回答問題，卻無法提問，導致對復雜信息的識別有一定困難[19]。建議增加上海話語音包以提升居民的應(yīng)答率，同時設(shè)置更為人性化的交互問詢系統(tǒng)[20]。

單因素分析結(jié)果顯示，數(shù)據(jù)類型、年齡及AI電話隨訪撥打時間是對語音識別信息一致率差異具有統(tǒng)計學意義的影響因素（P<0.05），提示可根據(jù)被隨訪者的年齡針對性地設(shè)置AI隨訪系統(tǒng)的電話撥打時間，如對年齡超過70歲的人群，隨訪時間應(yīng)盡可能安排在16：01—18：00之間，與相關(guān)研究結(jié)果類似[21]。目前AI技術(shù)在上海市部分社區(qū)的試點探索已基本完成，普陀區(qū)與奉賢區(qū)借助AI技術(shù)開展了家庭醫(yī)生雙簽約及實時血壓監(jiān)測，提升了社區(qū)高血壓患者的自我管理水平[13，22]。

本次研究結(jié)果顯示，AI電話隨訪在社區(qū)高血壓患者的健康管理服務(wù)中具有較高可行性，比較適用于定性類數(shù)據(jù)信息的采集工作，但針對內(nèi)容較為復雜_{5f8ebd09bcb5211a684d3b6ab1e1dd1f}的定量類問題，仍與人工隨訪的結(jié)果存在較大差距。建議通過加載方言語音包、設(shè)置更為智能化的交互問詢、更加標準化的答案設(shè)置及個性化的電話隨訪撥打時間等提升其信息采集率及一致率。本次研究數(shù)據(jù)僅來源于彭浦新村街道社區(qū)衛(wèi)生服務(wù)中心，也未開展高血壓患者的自我健康管理及臨床醫(yī)囑依從性AI電話隨訪，今后將開展針對本轄區(qū)內(nèi)居民的隊列研究，進一步探討AI電話隨訪對社區(qū)慢性病管理的現(xiàn)實意義。

參考文獻

[1] WHO. Global report on hypertension： The race against a silent killer[EB/OL]. （2023-09-19）[2024-01-16]. https：//www. who.int/publications-detail-redirect/9789240081062.

[2] Sun Y， Mu J， Wang DW， et al. A village doctor-led multifaceted intervention for blood pressure control in rural China： an open， cluster randomised trial[J]. Lancet， 2022， 399（10339）： 1964-1975.

[3] 孫恕， 易松. 2023年《中國高血壓防治指南》更新臨床實踐[J]. 心電與循環(huán)， 2023， 42（3）： 203-206； 212.

[4] 馬麗媛， 王增武， 樊靜， 等. 《中國心血管健康與疾病報告2022》要點解讀[J]. 中國全科醫(yī)學， 2023， 26（32）： 3975-3994.

[5] 徐繼英， 嚴青華， 姚海宏， 等. 上海市高血壓患者社區(qū)管理現(xiàn)狀分析[J]. 上海預(yù)防醫(yī)學， 2016， 28（7）： 442-447.

[6] 李中鵬， 瞿懷榮. 基于"互聯(lián)網(wǎng)+AI"技術(shù)的患者隨訪管理新模式的研究及應(yīng)用[J]. 科學與信息化， 2021， （26）： 153-155.

[7] 陶毛毛， 劉雋， 廖騫， 等. 基于AI智能語音隨訪的口腔科互聯(lián)網(wǎng)門診患者使用現(xiàn)狀分析[J]. 上海口腔醫(yī)學， 2023， 32（2）： 183-187.

[8] 王曉麗， 俞博 姜皓， 等. 大型區(qū)域智能隨訪管理系統(tǒng)的探索與實踐[J]. 中國數(shù)字醫(yī)學， 2023， 18（9）： 29-33.

[9] 《中國高血壓防治指南》修訂委員會. 中國高血壓防治指南2018年修訂版[J]. 心腦血管病防治， 2019， 19（1）： 1-44.

[10] 上海市衛(wèi)生健康委員會. 關(guān)于印發(fā)《上海市社區(qū)健康管理工作規(guī)范——慢性病綜合防治（2017年版）》的通知[滬衛(wèi)計疾控（2017）3號][EB/OL].（2017-02-22）[2024-01-16]. https：//wsjkw.sh.gov.cn/ jbfk2/20211206/58ed0af13a7a47e2b1fe675c339d4f4c.html.

[11] 何凡， 吳萃， 徐悅， 等. 基于多來源數(shù)據(jù)的上海市寶山區(qū)重點慢性病健康管理數(shù)據(jù)的質(zhì)量分析[J]. 上海預(yù)防醫(yī)學， 2020， 32（7）： 577-581.

[12] 王思源， 周峰， 高俊嶺， 等. 人工智能電話隨訪在高血壓隨訪管理中的應(yīng)用[J]. 中國慢性病預(yù)防與控制， 2021， 29（11）： 817-820.

[13] 葉征， 史玲， 祝墡珠， 等. 人工智能技術(shù)助力家庭醫(yī)生雙簽約模式對社區(qū)老年高血壓患者健康管理的影響[J]. 老年醫(yī)學與保健， 2023， 29（4）： 742-746.

[14] Eccles A， Atherton H. Automated telephone communication systems may have the potential to play a positive role in healthcare[J]. Evid Based Nurs， 2018， 21（1）： 23.

[15] Kumah-Crystal Y， Lehmann CU， Albert D， et al. Vanderbilt EHR voice assistant（VEVA） supports clinicians[J]. Appl Clin Inform， 2023， DOI：10.1055/a-2177-4420.

[16] 白欣苑， 李星明. 醫(yī)學隨訪研究設(shè)計及注意事項[J]. 北京醫(yī)學， 2020， 42（12）： 1231-1237.

[17] 黃一敏， 王淼， 魏明月， 等. 人工智能語音隨訪系統(tǒng)在兒童日間手術(shù)中心的應(yīng)用[J]. 中國衛(wèi)生質(zhì)量管理， 2021， 28（3）： 9-11.

[18] 吳玲娣， 王偉. 人工智能機器人在膽胰外科日間手術(shù)患者出院隨訪中的應(yīng)用價值[J]. 外科研究與新技術(shù)， 2019， 8（2）： 138-140.

[19] 朱建輝， 岑玨， 羅勁松， 等. 出院患者人工智能語音回訪效果[J]. 解放軍醫(yī)院管理雜志， 2021， 28（3）： 214-217.

[20] 張戎， 劉洪臣. 人工智能技術(shù)在臨床醫(yī)療中的應(yīng)用概述[J].中華老年口腔醫(yī)學雜志， 2021， 19（1）： 40-44.

[21] Calder LA， Cwinn AA， Gatien M， et al. The feasibility of an interactive voice response system（IVRS） for monitoring patient safety after discharge from the ED[J]. Emerg Med J， 2018， 35（3）： 180-185.

[22] 張超， 湯校忠， 吳潔， 等. 可穿戴設(shè)備的群體化管理在高血壓患者中的應(yīng)用效果觀察[J]. 中國社區(qū)醫(yī)師， 2023， 39（22）： 157-159； 162.