機(jī)器學(xué)習(xí)在老年健康管理中的應(yīng)用范圍綜述

基金項(xiàng)目"上海中醫(yī)藥大學(xué)“杏林學(xué)者-護(hù)理青年”人才計(jì)劃項(xiàng)目，編號：HLXL07

作者簡介"張毓，主管護(hù)師，碩士研究生

* 通訊作者"周旭，E-mail：372501531@qq.com

引用信息"張毓，周旭，陳丹，等.機(jī)器學(xué)習(xí)在老年健康管理中的應(yīng)用范圍綜述［J］.循證護(hù)理，2025，11（1）：49-60.

摘要""目的：對機(jī)器學(xué)習(xí)在老年健康管理中的應(yīng)用進(jìn)行范圍綜述，為機(jī)器學(xué)習(xí)在該領(lǐng)域的研究提供指導(dǎo)。方法：以喬安娜布里格斯研究所范圍綜述指南為方法學(xué)框架，檢索PubMed、EMbase、Web of Science、Scopus、中國知網(wǎng)、萬方數(shù)據(jù)庫和中國生物醫(yī)學(xué)文獻(xiàn)數(shù)據(jù)庫中機(jī)器學(xué)習(xí)在老年健康管理領(lǐng)域中應(yīng)用的相關(guān)研究，檢索時(shí)限為建庫至2023年1月16日。對納入文獻(xiàn)進(jìn)行數(shù)據(jù)提取及匯總分析。結(jié)果：納入27篇文獻(xiàn)，涉及的主題包括健康風(fēng)險(xiǎn)評估、健康監(jiān)測、健康費(fèi)用管理等。算法類型包括決策樹算法（DT）、樸素貝葉斯算法（NBM）、支持向量機(jī)算法（SVM）、神經(jīng)網(wǎng)絡(luò)算法（NN）、K?Means算法（KM）、強(qiáng)化學(xué)習(xí)（RL）等機(jī)器學(xué)習(xí)算法。結(jié)論：機(jī)器學(xué)習(xí)對老年健康管理中的健康監(jiān)測、風(fēng)險(xiǎn)預(yù)警有效，未來研究可繼續(xù)關(guān)注機(jī)器學(xué)習(xí)在老年健康領(lǐng)域?qū)嵺`轉(zhuǎn)化與實(shí)踐效果、數(shù)字安全與倫理等問題。

關(guān)鍵詞""機(jī)器學(xué)習(xí)；人工智能；老年；健康管理；護(hù)理；范圍綜述

doi：10.12102/j.issn.2095?8668.2025.01.009

健康管理是以預(yù)防和控制疾病的發(fā)生、發(fā)展，減少醫(yī)療費(fèi)用，提高生活質(zhì)量為目的，通過對健康、亞健康和各種慢性病人群提供健康管理服務(wù)（對個(gè)體或群體的健康進(jìn)行全面評估、監(jiān)測、分析，提供健康咨詢和指導(dǎo)），將健康成本前移，從而控制健康風(fēng)險(xiǎn)，提升健康水平［1］。目前，我國正加速進(jìn)入深度老齡化階段，老年人健康管理順應(yīng)人口快速老齡化需要，為積極老齡化提供新思路。除了傳統(tǒng)的環(huán)境適老化改造外，人工智能技術(shù)也為老年健康服務(wù)突破實(shí)踐困境帶來了契機(jī)。人工智能是由人類根據(jù)經(jīng)驗(yàn)知識編寫規(guī)則，由計(jì)算機(jī)系統(tǒng)去完成智力任務(wù)的領(lǐng)域，而機(jī)器學(xué)習(xí)（machine learning，ML）和深度學(xué)習(xí)（deep learning，DL）是實(shí)現(xiàn)這一目標(biāo)的具體方法［2］。機(jī)器學(xué)習(xí)建立在先進(jìn)的統(tǒng)計(jì)、計(jì)算和概率技術(shù)上，構(gòu)建自動(dòng)從數(shù)據(jù)集學(xué)習(xí)的系統(tǒng)，并需要有限的（監(jiān)督的）或不需要（無監(jiān)督的）人工輸入來產(chǎn)生準(zhǔn)確的預(yù)測和見解［3］。目前，機(jī)器學(xué)習(xí)已被應(yīng)用于各種健康服務(wù)過程，如疾病檢測和診斷、健康評估和監(jiān)測、治療結(jié)果的預(yù)后和預(yù)警，改善健康研究和臨床人力管理。此外，移動(dòng)和可穿戴傳感器技術(shù)、人工智能監(jiān)測系統(tǒng)和遠(yuǎn)程醫(yī)療服務(wù)也在健康服務(wù)領(lǐng)域取得了進(jìn)步［4］。本范圍綜述旨在審查國內(nèi)外機(jī)器學(xué)習(xí)在老年人健康評估和健康監(jiān)測中的應(yīng)用，提出機(jī)器學(xué)習(xí)在老年健康管理領(lǐng)域的問題與挑戰(zhàn)，以期為健康老齡化下“人工智能+養(yǎng)老”提供科學(xué)參考。

1 資料與方法

以喬安娜布里格斯研究所（Joanna Briggs Institute，JBI）范圍綜述指南為方法學(xué)框架［5］，根據(jù)范圍綜述的系統(tǒng)綜述和薈萃分析優(yōu)先報(bào)告的條目（PRISMA for Scoping Reviews，PRISMA?ScR）指南進(jìn)行報(bào)告［6］。

1.1 確定研究問題

依據(jù)研究對象（participants，P）、概念（concept，C）及情境（context，C）確定范圍審查中要解決的總體目標(biāo)，探討機(jī)器學(xué)習(xí)技術(shù)如何應(yīng)用于老年人健康管理領(lǐng)域。具體問題包括：1）機(jī)器學(xué)習(xí)被應(yīng)用于老年人健康管理的哪些方面？2）機(jī)器學(xué)習(xí)在健康服務(wù)運(yùn)用過程中常見的算法類型有哪些？3）目前機(jī)器學(xué)習(xí)在老年健康管理領(lǐng)域面臨哪些機(jī)遇與挑戰(zhàn)？

1.2 文獻(xiàn)檢索策略

計(jì)算機(jī)檢索PubMed、Web of Science、the Cochrane Library、Scopus、EMbase、中國知網(wǎng)、萬方數(shù)據(jù)庫、維普數(shù)據(jù)庫和中國生物醫(yī)學(xué)文獻(xiàn)數(shù)據(jù)庫，檢索時(shí)限為建庫至2023年1月16日。以PubMed為例，采用主題詞和自由詞結(jié)合進(jìn)行檢索，英文檢索式為：\"machine learning\"［Title/Abstract］）"OR \"deep learning\"［Title/Abstract］"OR \"neural network\"［Title/Abstract］"OR \"machine learning\"［MeSH Terms］）"AND （（\"aged\"［Title/Abstract］"OR \"elderly\"［Title/Abstract］"OR \"older adult\"［Title/Abstract］"OR \"aged\"［MeSH Terms］"OR \"frail elderly\"［MeSH Terms］）AND （（\"nursing\"［Title/Abstract］"OR \"care\"［Title/Abstract］"OR \"health\"［Title/Abstract］"OR \"delivery of health care\"［MeSH Terms］"OR \"health services administration\"［MeSH Terms］）"。以中國知網(wǎng)為例，中文檢索式為：（TI=“機(jī)器學(xué)習(xí)”"OR TI=“深度學(xué)習(xí)”"OR TI=“神經(jīng)網(wǎng)絡(luò)”）"AND （"TI=“老年”"OR TI=“老齡”"OR TI=“老年人”"OR TI=“老齡化”）"AND （TI=“護(hù)理”"OR TI=“健康”"OR TI=“保健”）。

1.3 文獻(xiàn)納入與排除標(biāo)準(zhǔn)

納入標(biāo)準(zhǔn)：1）研究類型包括質(zhì)性研究、量性研究、混合性研究等；2）研究對象為老年人群；3）概念涉及機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、人工神經(jīng)網(wǎng)絡(luò)在老年人健康管理中的應(yīng)用；4）情境為老年人健康管理服務(wù)。排除標(biāo)準(zhǔn)：1）研究對象為年齡lt;65歲成年人群，或者明確為非老年人群；2）單純介紹機(jī)器學(xué)習(xí)的方法學(xué)研究；3）情境為老年住院病人的健康維護(hù)，疾病的檢測和診斷，治療結(jié)果的預(yù)后；4）文獻(xiàn)類型為綜述、會(huì)議摘要、指南等；5）無法獲取全文的文獻(xiàn)。

1.4 文獻(xiàn)篩選

將檢索到的文獻(xiàn)導(dǎo)入EndNote X9整理并去除重復(fù)文獻(xiàn)。由2名具有循證醫(yī)學(xué)背景的研究者根據(jù)納入和排除標(biāo)準(zhǔn)通過閱讀標(biāo)題和摘要進(jìn)行初篩，之后閱讀納入文獻(xiàn)全文進(jìn)行復(fù)篩。篩選過程中如有疑問或分歧，與第3名研究者（具有機(jī)器學(xué)習(xí)研究背景）討論，最終確定納入文獻(xiàn)。

1.5 數(shù)據(jù)提取與分析

提取的信息包括作者、國家、主題類型、數(shù)據(jù)集、樣本量、算法模型、輸入特征、應(yīng)用場景、應(yīng)用效果、機(jī)器學(xué)習(xí)的作用，并進(jìn)行匯總分析。

2 結(jié)果

2.1 文獻(xiàn)篩選結(jié)果

初步檢索共獲得相關(guān)文獻(xiàn)4 798篇，剔除重復(fù)文獻(xiàn)后剩余3 991篇。通過閱讀標(biāo)題、摘要進(jìn)行初篩，排除3 873篇；通過閱讀全文對118篇文獻(xiàn)進(jìn)行復(fù)篩，排除機(jī)器學(xué)習(xí)方法學(xué)驗(yàn)證、比較29篇，研究對象不符8篇，文獻(xiàn)類型不符15篇，無法獲得全文14篇，主題不符25篇，最終納入文獻(xiàn)27篇［7?33］，本研究僅納入中文與英文文獻(xiàn)。

2.2 納入文獻(xiàn)主題分析

本研究收錄的文獻(xiàn)發(fā)表時(shí)間為2018—2023年，涉及的主題包括健康風(fēng)險(xiǎn)評估、健康監(jiān)測、健康費(fèi)用管理等。納入文獻(xiàn)包括9項(xiàng)中國研究、5項(xiàng)美國研究、6項(xiàng)韓國研究及澳大利亞、意大利、越南、西班牙、日本、巴西、伊朗各1項(xiàng)研究，詳見表1。

2.2.1 涉及的機(jī)器學(xué)習(xí)算法類型及數(shù)據(jù)分析

在老年健康監(jiān)測中，基于傳感器數(shù)據(jù)的行動(dòng)追蹤和各種體征監(jiān)測可以使用監(jiān)督學(xué)習(xí)算法，如決策樹算法（decision tree，DT）、支持向量機(jī)算法（support vector machine，SVM）、Boosting提升方法、神經(jīng)網(wǎng)絡(luò)算法（neural networks，NN）等，預(yù)測老年人的健康狀況。日常活動(dòng)量的監(jiān)測可以使用聚類算法或分類算法，如樸素貝葉斯算法（naive bayes model，NBM）、DT、隨機(jī)森林（random forest，RF）等。通過機(jī)器學(xué)習(xí)有助于提取重要特征，能夠提高預(yù)測效率，對應(yīng)的文獻(xiàn)中分別使用了DT、RF等算法。在健康風(fēng)險(xiǎn)評估方面，基于個(gè)體特征信息的健康風(fēng)險(xiǎn)評估可以使用分類算法，如NBM、邏輯回歸（logistic regressing，LR）等，來評估老年人患某種疾病的風(fēng)險(xiǎn)。同時(shí)，基于臨床指標(biāo)和生活方式等因素的評估可以使用回歸算法，如線性回歸、SVM等。需要注意的是，在具體應(yīng)用中，機(jī)器學(xué)習(xí)的選擇和參數(shù)調(diào)節(jié)需要根據(jù)具體應(yīng)用場景和數(shù)據(jù)特點(diǎn)進(jìn)行綜合考慮和優(yōu)化。詳見表2 。

2.2.2 應(yīng)用范圍

納入的文獻(xiàn)中，主要研究場景為社區(qū)、養(yǎng)老中心、家庭，未納入醫(yī)院場景的相關(guān)文獻(xiàn)，大部分屬于零級、一級預(yù)防范疇。由于機(jī)器學(xué)習(xí)在數(shù)據(jù)挖掘及處理中的優(yōu)勢，常用于健康風(fēng)險(xiǎn)評估中。包括跌倒預(yù)測［9，16，18，22，28，33］、健康風(fēng)險(xiǎn)預(yù)測［11，27］、健康風(fēng)險(xiǎn)評估［14?15，29］、自殺風(fēng)險(xiǎn)預(yù)測［23?24］、CVD風(fēng)險(xiǎn)預(yù)測［13，25］。另外，機(jī)器學(xué)習(xí)可揭示復(fù)雜非線性關(guān)系，也被用于健康大數(shù)據(jù)分析，進(jìn)行老年人健康監(jiān)測。如通過機(jī)器學(xué)習(xí)分析我國老年人營養(yǎng)與健康狀況數(shù)據(jù)等各類復(fù)雜變量之間的關(guān)系［10］；構(gòu)建個(gè)人健康指數(shù)模型，實(shí)現(xiàn)個(gè)人心臟健康動(dòng)態(tài)評估［13］；通過可穿戴設(shè)備對老年人日常活動(dòng)的獨(dú)立性和自主性進(jìn)行測評［21］及活動(dòng)監(jiān)測［12，20］。從中國大樣本縱向研究中探索老年人積極老齡化的決定因素［30］。最后，機(jī)器學(xué)習(xí)在多數(shù)據(jù)來源分析中也表現(xiàn)出較高的性能。如在低價(jià)值護(hù)理與癌癥病人自費(fèi)關(guān)聯(lián)研究中，通過分析多個(gè)來源數(shù)據(jù)庫，發(fā)現(xiàn)超額自付費(fèi)用是由低價(jià)值護(hù)理、護(hù)理碎片化和基礎(chǔ)慢性病組成［8］。

2.2.3 應(yīng)用效果

機(jī)器學(xué)習(xí)相較傳統(tǒng)的算法具有自動(dòng)化、泛化性、可解釋性等優(yōu)勢，應(yīng)用效果顯著。機(jī)器學(xué)習(xí)可以自動(dòng)地從老年人的健康監(jiān)控傳感器數(shù)據(jù)及健康指標(biāo)中學(xué)習(xí)模式和規(guī)律，并利用這些模式和規(guī)律進(jìn)行身體狀態(tài)的預(yù)測和決策。這使得機(jī)器學(xué)習(xí)具有更高的自動(dòng)化和效率，能夠處理更高維度的數(shù)據(jù)集和復(fù)雜的監(jiān)測及預(yù)測任務(wù)［7?8］。另外，機(jī)器學(xué)習(xí)可以從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)一般化的模式和規(guī)律，這些模式往往需要具備相當(dāng)經(jīng)驗(yàn)的醫(yī)生或護(hù)理人員才能識別，機(jī)器學(xué)習(xí)將這些模式和規(guī)律應(yīng)用于新的數(shù)據(jù)上進(jìn)行預(yù)測和決策。這使得機(jī)器學(xué)習(xí)具有更好的泛化能力，能夠適應(yīng)新的場景和數(shù)據(jù)集。如在老年人跌倒預(yù)測領(lǐng)域，作用顯著［16，22，28，33］。最后，一些機(jī)器學(xué)習(xí)（如DT［17，23?24，26］）可以生成可解釋的模型，使得用戶可以理解模型背后的推理和決策過程，對每個(gè)輸入特征在算法中的影響也都會(huì)有直觀的感受。

3 討論

3.1 老年人健康風(fēng)險(xiǎn)預(yù)測

基于機(jī)器學(xué)習(xí)的大數(shù)據(jù)分析能夠準(zhǔn)確、經(jīng)濟(jì)地進(jìn)行老年人健康風(fēng)險(xiǎn)評估。及時(shí)預(yù)測和識別導(dǎo)致老年人群意外死亡和受傷的高危因素，便于從個(gè)人、家庭、社區(qū)、社會(huì)層面實(shí)施預(yù)防性措施，降低老年人受傷或死亡的風(fēng)險(xiǎn)。

3.1.1 跌倒風(fēng)險(xiǎn)預(yù)測

跌倒風(fēng)險(xiǎn)預(yù)測在老年人健康風(fēng)險(xiǎn)評估中得到的關(guān)注度最高，并且已被證實(shí)能夠針對不同特點(diǎn)老年人群構(gòu)建學(xué)習(xí)模型。目前，非可穿戴系統(tǒng)和可穿戴設(shè)備均可應(yīng)用于跌倒檢測和預(yù)防。其中，慣性測量單元（Inertial Measurement Unit，IMU）是跌倒檢測和預(yù)防最常用的可穿戴設(shè)備［34］。它的傳感器可以連接到身體的任何部位，敏感地測量步態(tài)或跌倒，增強(qiáng)了可穿戴傳感器作為社區(qū)居住環(huán)境中動(dòng)態(tài)跌倒風(fēng)險(xiǎn)識別工具的潛力［16］。非可穿戴系統(tǒng)價(jià)格昂貴且可擴(kuò)展性較差［34］，此類系統(tǒng)大多限制在某些特定環(huán)境下，如臥室和客廳等。此外，將EHR相關(guān)數(shù)據(jù)整合到跌倒風(fēng)險(xiǎn)預(yù)測模型中，被證實(shí)可產(chǎn)生更準(zhǔn)確的跌倒風(fēng)險(xiǎn)監(jiān)測［28］。相較于傳統(tǒng)以量表的形式進(jìn)行跌倒評估，機(jī)器學(xué)習(xí)能夠精準(zhǔn)地挖掘非線性關(guān)系，指導(dǎo)綜合性跌倒預(yù)防干預(yù)而非單個(gè)因素的風(fēng)險(xiǎn)干預(yù)。

3.1.2 衰弱早期識別

衰弱與老年人不良健康結(jié)局風(fēng)險(xiǎn)的增加密切相關(guān)，表現(xiàn)為機(jī)體抵抗應(yīng)激能力減退、易損性增加。對衰弱狀態(tài)早期識別、預(yù)警及干預(yù)尤為重要［35］。機(jī)器學(xué)習(xí)有助于納入有針對性的健康評估以識別老年人衰弱前的因素。機(jī)器學(xué)習(xí)模型發(fā)現(xiàn)較高的BMI和較低的肌肉質(zhì)量、較差的握力和平衡、較高的痛苦程度、較差的睡眠質(zhì)量，呼吸急促、尿失禁與衰弱前期有關(guān)［27］，與以往研究結(jié)果一致［36］。機(jī)器學(xué)習(xí)在預(yù)測衰弱前期方面，F(xiàn)ried衰弱表型量表（FFP）和"臨床虛弱量表（CFS）的受試者工作特征曲線下面積（AUC）分別為"0.817 和"0.722。通過機(jī)器學(xué)習(xí)特征選擇，F(xiàn)FP 的性能提高了7.4%，CFS 的性能提高了7.9%［27］。但是針對不同緊急事件，需要選擇合適的機(jī)器學(xué)習(xí)來改進(jìn)衰弱早期識別和預(yù)測［11］。ANN和SVM的死亡率預(yù)測結(jié)果顯示出更高的性能，在死亡率、緊急住院、殘疾、骨折和緊急入院這幾個(gè)問題中，DT分類器的精度最低；其他模型（GP、LR、RF、ANN和SVM）表現(xiàn)更好。所有模型都顯示，預(yù)測緊急入院事件的準(zhǔn)確性低于預(yù)測骨折和殘疾的準(zhǔn)確性。在預(yù)測緊急住院方面，只有"SVM表現(xiàn)出更好的性能。因此，機(jī)器學(xué)習(xí)也可以作為開發(fā)決策支持工具的基礎(chǔ)。

3.1.3 心理健康風(fēng)險(xiǎn)預(yù)測

應(yīng)用機(jī)器學(xué)習(xí)預(yù)測模型有助于開展心理健康風(fēng)險(xiǎn)預(yù)測。一方面，心理健康問題診斷人為性、主觀性強(qiáng)，機(jī)器學(xué)習(xí)可以充分利用數(shù)據(jù)特征進(jìn)行挖掘；另一方面，通過機(jī)器學(xué)習(xí)綜合利用眾多變量來提高預(yù)測能力的性能［23?24］。堆疊集成模型在泛化和魯棒性方面優(yōu)于單一預(yù)測模型。在一項(xiàng)關(guān)于韓國老年人焦慮癥預(yù)測中，SVM + RF + LGBM + AdaBoost +極致梯度提升法（XGBoost）堆疊集成模型，具有比單個(gè)預(yù)測模型更高的準(zhǔn)確性、精度、召回率和"F1 分?jǐn)?shù)。研究發(fā)現(xiàn)，家庭因素（如家庭關(guān)系和家庭支持或照顧引起的不良心理狀態(tài)）對韓國老年人焦慮影響更高［14］。機(jī)器學(xué)習(xí)不僅可以用于社區(qū)老年人心理健康風(fēng)險(xiǎn)預(yù)測，也可以用于篩查易患抑郁癥的農(nóng)村和城市殘疾老年人［29］。

3.1.4 CVD風(fēng)險(xiǎn)預(yù)測

機(jī)器學(xué)習(xí)在預(yù)測CVD病人的死亡率、住院以及再次入院等方面準(zhǔn)確性較高。因此，運(yùn)用機(jī)器學(xué)習(xí)能夠早期發(fā)現(xiàn)病人的風(fēng)險(xiǎn)因素，早期給予干預(yù)，從而達(dá)到降低病人不良預(yù)后發(fā)生率及提升生活質(zhì)量的目的。在過去的20年中，已經(jīng)開發(fā)了360多個(gè)CVD風(fēng)險(xiǎn)預(yù)測模型［37?38］，代表性的有美國心臟病學(xué)會(huì)/美國心臟協(xié)會(huì)（ACC/AHA）推薦的匯集隊(duì)列風(fēng)險(xiǎn)方程（PCE）模型，可預(yù)測穩(wěn)定型冠心?。–HD）預(yù)后的模型（ABC?CHD）模型，CVD PORT模型（Purpose 、Goal、Result、Task，管理模型），Q心血管風(fēng)險(xiǎn)預(yù)測模型（QRISK）等。隨著更多數(shù)學(xué)模型在風(fēng)險(xiǎn)預(yù)測中的應(yīng)用，CVD預(yù)測模型也得到了改進(jìn)。Yang等［25］CVD風(fēng)險(xiǎn)預(yù)測顯示，RF較多元回歸模型的基準(zhǔn)有明顯改進(jìn)，優(yōu)于其他機(jī)器學(xué)習(xí)模型。此外，RF可以處理某些數(shù)據(jù)丟失的問題，并且可以在分類時(shí)給出每個(gè)特征變量的重要分?jǐn)?shù)，從而篩選出在分類中起重要作用的變量。在CVD風(fēng)險(xiǎn)模型實(shí)踐轉(zhuǎn)化中，許崇云［13］通過建立個(gè)人心臟健康指數(shù)模型，借助機(jī)器學(xué)習(xí)構(gòu)建多層感知器模型進(jìn)行心臟健康分析，從而對心臟健康動(dòng)態(tài)評估，設(shè)計(jì)并實(shí)現(xiàn)了心臟健康評估系統(tǒng)，驗(yàn)證了相關(guān)體征數(shù)據(jù)和心臟健康風(fēng)險(xiǎn)評估。

3.2 老年人健康監(jiān)測與管理

為了應(yīng)對老齡化帶來的各種社會(huì)問題，特別是老齡化對護(hù)理及社會(huì)服務(wù)市場的沖擊，世界衛(wèi)生組織倡導(dǎo)通過新技術(shù)（智能環(huán)境、社交機(jī)器人、機(jī)器學(xué)習(xí)等）為老年人提供友好的城市生態(tài)系統(tǒng)［40］?；跈C(jī)器學(xué)習(xí)的助老系統(tǒng)在改善老年人生活質(zhì)量和適老化護(hù)理服務(wù)中具有巨大的潛力。

3.2.1 活動(dòng)監(jiān)測與行為識別

基于大數(shù)據(jù)和機(jī)器學(xué)習(xí)開發(fā)的用于監(jiān)控老年人活動(dòng)的傳感器和智能設(shè)備，可對老年人日?；顒?dòng)或異?；顒?dòng)及行為進(jìn)行識別和預(yù)測?？纱┐髟O(shè)備和機(jī)器學(xué)習(xí)的使用有助于創(chuàng)建一個(gè)整體和半生態(tài)模型，通過將傳感器嵌入到腕帶、智能衣服、智能手機(jī)或智能手表、臂帶或胸帶中，在不干擾老年人日?；顒?dòng)的情況下收集老年人的生理體征、姿勢、步態(tài)和運(yùn)動(dòng)、社交互動(dòng)或日常活動(dòng)［39］。非可穿戴傳感器主要通過物聯(lián)網(wǎng)環(huán)境中壓力、聲學(xué)、視頻等傳感器對老年人活動(dòng)進(jìn)行監(jiān)測。利用收集到的活動(dòng)監(jiān)測數(shù)據(jù)，識別和評估老年人行為正常/異常情況。如認(rèn)知障礙早期識別［40］、阿爾茨海默病激越行為［41］、癡呆癥行為和心理癥狀［42］以及藥物依從性行為［43］。除此之外，結(jié)合文本識別數(shù)據(jù)，使用重復(fù)測量的機(jī)器學(xué)習(xí)模型在老年人活動(dòng)監(jiān)測方面也具有良好的表現(xiàn)［12］。

3.2.2 營養(yǎng)評估

機(jī)器學(xué)習(xí)預(yù)測模型可以通過分析流行病學(xué)或大型臨床研究數(shù)據(jù)，總體把握人群中營養(yǎng)風(fēng)險(xiǎn)。在中國老年人維生素D分類模型中［10］，利用RF和集成學(xué)習(xí)方法，分析老年人營養(yǎng)與健康狀況監(jiān)測數(shù)據(jù)（膳食調(diào)查數(shù)據(jù)、人群信息、身體活動(dòng)情況、社會(huì)經(jīng)濟(jì)因素等各類復(fù)雜變量之間的關(guān)系），為結(jié)合數(shù)據(jù)和專業(yè)領(lǐng)域知識驅(qū)動(dòng)提供思路和借鑒。除了利用大數(shù)據(jù)分析、云計(jì)算、機(jī)器學(xué)習(xí)掌握人群通用值提供健康營養(yǎng)建議外，捕捉營養(yǎng)生物效應(yīng)的個(gè)體化性質(zhì)，滿足個(gè)性化需求，提供精準(zhǔn)營養(yǎng)服務(wù)，也是未來的發(fā)展方向［44］。

3.2.3 健康費(fèi)用管理

機(jī)器學(xué)習(xí)在預(yù)測與控制醫(yī)療保健成本中具有研究前景。在一項(xiàng)利用機(jī)器學(xué)習(xí)模型預(yù)測患癌老年人低價(jià)值護(hù)理和超額自付費(fèi)用關(guān)系的研究中，發(fā)現(xiàn)接受低價(jià)值護(hù)理的個(gè)體自付費(fèi)用更高［8］。低價(jià)值護(hù)理是指提供對病人臨床益處不明確或沒有臨床益處的醫(yī)療保健服務(wù)、醫(yī)學(xué)檢查和程序［8］，會(huì)給病人本人、家庭、政府和社會(huì)帶來巨大的經(jīng)濟(jì)負(fù)擔(dān)。采用機(jī)器學(xué)習(xí)識別超額成本負(fù)擔(dān)的主要預(yù)測因子，可從個(gè)人層面降低慢性病和癌癥病人的經(jīng)濟(jì)毒性，醫(yī)療層面減少低價(jià)值護(hù)理，政府和社會(huì)層面減輕財(cái)政負(fù)擔(dān)，有效控制醫(yī)療成本。此外，機(jī)器學(xué)習(xí)能通過挖掘高度個(gè)性化的病人信息，幫助醫(yī)護(hù)人員了解病人護(hù)理軌跡并有效指導(dǎo)出院準(zhǔn)備服務(wù)，縮短住院時(shí)間，提高成本效益［46］。

4 現(xiàn)存的問題及展望

4.1 實(shí)踐轉(zhuǎn)化率較低

目前，機(jī)器學(xué)習(xí)在老年健康管理領(lǐng)域中主要應(yīng)用于風(fēng)險(xiǎn)早期識別與預(yù)測，已被證實(shí)能充分挖掘更深層次的隱含規(guī)律，捕獲與處理變量之間多層次、交互的非線性關(guān)系，對高風(fēng)險(xiǎn)因素進(jìn)行綜合干預(yù)與早期預(yù)測，能有效減少不良事件發(fā)生。但仍有一些問題需要解決。首先，在一些研究中缺乏外部驗(yàn)證。機(jī)器學(xué)習(xí)在某種程度上可以被視為內(nèi)部驗(yàn)證，當(dāng)前諸多模型聚焦于算法的驗(yàn)證和優(yōu)化，并非實(shí)用性考量。其次，在機(jī)器學(xué)習(xí)驗(yàn)證及操作過程中的實(shí)際操作的可行性也是容易被忽略的問題［45］。再次，對于預(yù)測模型，尚沒有完善的可靠性和臨床可用性評估工具［25］。最后，極少研究會(huì)收集有關(guān)受試者對風(fēng)險(xiǎn)預(yù)測模型的態(tài)度及醫(yī)學(xué)專業(yè)人士對機(jī)器學(xué)習(xí)風(fēng)險(xiǎn)評估的建議，以完善數(shù)據(jù)模型。因此，研究人員應(yīng)該致力于提高機(jī)器學(xué)習(xí)的解釋性，讓用戶更好地理解算法的結(jié)果。同時(shí)需要建立標(biāo)準(zhǔn)的數(shù)據(jù)庫以及算法模型，提高算法以及整套工具使用的擴(kuò)展性，降低操作難度。另外，通過與老年護(hù)理機(jī)構(gòu)、養(yǎng)老護(hù)理院、醫(yī)院等相關(guān)機(jī)構(gòu)合作，了解醫(yī)護(hù)人員的需求和建議，不斷完善和優(yōu)化機(jī)器學(xué)習(xí)算法。

4.2 數(shù)據(jù)質(zhì)量受多種因素影響

良好的數(shù)據(jù)集應(yīng)該具有泛化性，其質(zhì)量直接影響機(jī)器學(xué)習(xí)模型的性能。目前，數(shù)據(jù)集主要來源于自主收集的數(shù)據(jù)和公共數(shù)據(jù)集。自主收集的數(shù)據(jù)集一般樣本量較小，容易造成過擬合，影響算法的擴(kuò)展性和泛化性；而公共數(shù)據(jù)集樣本量較大，訓(xùn)練數(shù)據(jù)和實(shí)際應(yīng)用場景往往是跨文化、種族，造成算法的精度下降［13］。除此之外，數(shù)據(jù)集類型也會(huì)影響到預(yù)測結(jié)果。如基于EHR 的數(shù)據(jù)集，類似于幸存者偏差的問題，造成沒有受傷的跌倒不上報(bào)而存在漏報(bào)［9］。自我報(bào)告的數(shù)據(jù)可能會(huì)受到回憶偏差和社會(huì)期望的影響，從而影響數(shù)據(jù)準(zhǔn)確性［18］。另外，數(shù)據(jù)收集的實(shí)驗(yàn)性環(huán)境還會(huì)缺乏生態(tài)有效性驗(yàn)證。因此，如何在算法過程中排除生態(tài)性不同造成的結(jié)果干擾也是需要考慮的因素。

4.3 數(shù)字安全有待增強(qiáng)

人工智能的廣泛應(yīng)用在為老年群體提供諸多便利，享受數(shù)字紅利的同時(shí)，所面臨的數(shù)字安全問題也進(jìn)一步凸顯。特別是基于物聯(lián)網(wǎng)的智能家居、智慧病房的使用，易將涉及個(gè)人人身安全與財(cái)產(chǎn)安全的數(shù)據(jù)泄露。因此，基于生物識別令牌的物聯(lián)網(wǎng)和信息安全可以作為未來技術(shù)的發(fā)展方向，以確保老年人的隱私和安全。此外，人工智能技術(shù)的廣泛應(yīng)用還可能會(huì)影響維系社會(huì)群體情感、推動(dòng)社會(huì)發(fā)展的價(jià)值觀念改變，如獨(dú)居老人的子女贍養(yǎng)問題［47］。所以，需強(qiáng)化相關(guān)法律風(fēng)險(xiǎn)和道德風(fēng)險(xiǎn)的規(guī)制，明確利益相關(guān)方權(quán)、責(zé)、利的界限。最后，重視老年人心理感受，增強(qiáng)情感關(guān)懷，強(qiáng)調(diào)技術(shù)治理的精神情感回歸［48］。

4.4 提高醫(yī)療從業(yè)者信息素養(yǎng)，加強(qiáng)人機(jī)協(xié)同

AI技術(shù)與社會(huì)發(fā)展的深度融合下，各種智能設(shè)備如智能傳感器、智能穿戴設(shè)備、智能家居設(shè)備、智能服務(wù)機(jī)器人等在老年健康管理領(lǐng)域得到廣泛應(yīng)用，以技術(shù)手段為積極老齡化提供保障，幫助老年人實(shí)現(xiàn)自我增能與自我發(fā)展［47］。而基于機(jī)器學(xué)習(xí)的多種應(yīng)用對使用者的信息素養(yǎng)有較高的要求。一方面，需要加強(qiáng)老年健康維護(hù)者，如醫(yī)護(hù)人員、養(yǎng)老機(jī)構(gòu)從業(yè)者、老年社會(huì)工作者等信息素養(yǎng)的培訓(xùn)，鼓勵(lì)醫(yī)學(xué)信息人才加入老年健康管理隊(duì)伍；另一方面，從算法角度出發(fā)，機(jī)器學(xué)習(xí)算法開發(fā)與應(yīng)用中需要與醫(yī)護(hù)人員協(xié)同，建立機(jī)器學(xué)習(xí)算法和人類專業(yè)知識相結(jié)合的易于操作和推廣的智能醫(yī)療系統(tǒng)。

4.5 探索大數(shù)據(jù)背景下個(gè)性化需求解決路徑

精準(zhǔn)醫(yī)學(xué)與精準(zhǔn)護(hù)理是未來醫(yī)學(xué)發(fā)展的方向，而機(jī)器學(xué)習(xí)通過大數(shù)據(jù)挖掘，可準(zhǔn)確提取各類人群的需求與標(biāo)簽，針對各人群進(jìn)行個(gè)性化推薦、精準(zhǔn)服務(wù)等多樣化健康服務(wù)。未來的研究可將機(jī)器學(xué)習(xí)與老年人的特定需求及其生活環(huán)境相匹配，滿足同類人群乃至個(gè)體精準(zhǔn)需求。不僅可以在一級、二級預(yù)防進(jìn)行更具針對性的臨床前數(shù)據(jù)處理、床邊診斷協(xié)助、病人分層、臨床決策和風(fēng)險(xiǎn)預(yù)警，也可在零級預(yù)防階段開發(fā)與應(yīng)用，提高個(gè)體健康質(zhì)量。

5 小結(jié)

本研究結(jié)果表明，機(jī)器學(xué)習(xí)在健康促進(jìn)方面具有重要作用，與同類型研究結(jié)果一致［49］。未涉及機(jī)器學(xué)習(xí)算法方法學(xué)討論，納入研究大多數(shù)停留在可用性研究階段，具體實(shí)施及推廣效果尚待進(jìn)一步研究。未來研究可繼續(xù)關(guān)注機(jī)器學(xué)習(xí)在老年健康領(lǐng)域?qū)嵺`轉(zhuǎn)化與實(shí)踐效果、數(shù)字安全與倫理等問題。

參考文獻(xiàn)：

［1］ 向運(yùn)華，王曉慧.人工智能時(shí)代老年健康管理的重塑與聚合［J］.武漢大學(xué)學(xué)報(bào)（哲學(xué)社會(huì)科學(xué)版），2020，73（2）：101-112.

［2］ CHOI R Y，COYNER A S，KALPATHY-CRAMER J，et al. Introduction to machine learning，neural networks，and deep learning［J］.Translational Vision Science amp; Technology，2020，9（2）：14.

［3］ SHATTE A B R，HUTCHINSON D M，TEAGUE S J. Machine learning in mental health：a scoping review of methods and applications［J］.Psychological Medicine，2019，49（9）：1426-1448.

［4］ SAPCI A H，SAPCI H A. Innovative assisted living tools，remote monitoring technologies，artificial intelligence-driven solutions，and robotic systems for aging societies：systematic review［J］.JMIR Aging，2019，2（2）：e15429.

［5］ LOCKWOOD C，DOS SANTOS K B，PAP R. Practical guidance for knowledge synthesis：scoping review methods［J］.Asian Nurs Res，2019，13（5）：287-294.

［6］ TRICCO A C，LILLIE E，ZARIN W，et al. PRISMA extension for scoping reviews（PRISMA-ScR）：checklist and explanation［J］.Annals of Internal Medicine，2018，169（7）：467-473.

［7］ YOON S，CHOI T，ODLUM M，et al. Machine learning to identify behavioral determinants of oral health in inner city older his panic adults［J］.Studies in Health Technology and Informatics，2018，251：253-256.

［8］ ILOABUCHI C，DWIBEDI N，LEMASTERS T，et al. Low-value care and excess out-of-pocket expenditure among older adults with incident cancer--a machine learning approach［J］.Journal of Cancer Policy，2021，30：100312.

［9］ YE C Y，LI J M，HAO S Y，et al. Identification of elders at higher risk for fall with statewide electronic health records and a machine learning algorithm［J］.International Journal of Medical Informatics，2020，137：104105.

［10］ 許曉青，張堅(jiān)，趙文華.應(yīng)用機(jī)器學(xué)習(xí)構(gòu)建中國老年人維生素D分類模型［J］.中華預(yù)防醫(yī)學(xué)雜志，2021，55（12）：1475-1481.

［11］ TAREKEGN A，RICCERI F，COSTA G，et al. Predictive modeling for frailty conditions in elderly people：machine learning approaches［J］.JMIR Medical Informatics，2020，8（6）：e16678.

［12］ SPEISER J L，CALLAHAN K E，IP E H，et al. Predicting future mobility limitation in older adults ：a machine learning analysis of health ABC study data［J］.The Journals of Gerontology Series A，Biological Sciences and Medical Sciences，2022，77（5）：1072-1078.

［13］ 許崇云.基于深度學(xué)習(xí)的老年人心臟健康分析與評估方法研究［D］.哈爾濱：哈爾濱工業(yè)大學(xué)，2020.

［14］ BYEON H. Exploring factors for predicting anxiety disorders of the elderly living alone in South Korea using interpretable machine learning：a population-based study［J］.International Journal of Environmental Research and Public Health，2021，18（14）：7625.

［15］ SU D，ZHANG X Y，HE K，et al. Use of machine learning approach to predict depression in the elderly in China：a longitudinal study［J］.Journal of Affective Disorders，2021，282：289-298.

［16］ LOCKHART T E，SOANGRA R，YOON H，et al. Prediction of fall risk among community-dwelling older adults using a wearable system［J］.Scientific Reports，2021，11（1）：20976.

［17］ WU X，PARK S.An inverse relation between hyperglycemia and skeletal muscle mass predicted by using a machine learning approach in middle-aged and older adults in large cohorts［J］.J Clin Med，2021，10（10）：2133.

［18］ YANG R M，PLASEK J M，CUMMINS M R，et al. Predicting falls among community-dwelling older adults：a demonstration of applied machine learning［J］.Computers，Informatics，Nursing，2021，39（5）：273-280.

［19］ BUI H M，HA M H，PHAM H G，et al.Predicting the risk of osteoporosis in older Vietnamese women using machine learning approaches［J］.Sci Rep，2022，12（1）：20160.

［20］ DO NASCIMENTO C F，BATISTA A F M，DUARTE YAO，et al. Early identification of older individuals at risk of mobility decline with machine learning［J］.Archives of Gerontology and Geriatrics，2022，100：104625.

［21］ GARCIA-MORENO F M，BERMUDEZ-EDO M，RODRíGUEZ-GARCíA E，et al. A machine learning approach for semi-automatic assessment of IADL dependence in older adults with wearable sensors［J］.International Journal of Medical Informatics，2022，157：104625.

［22］ IKEDA T，COORAY U，HARIYAMA M，et al. An interpretable machine learning approach to predict fall risk among community-dwelling older adults：a three-year longitudinal study［J］.Journal of General Internal Medicine，2022，37（11）：2727-2735.

［23］ KIM J，GWAK D，KIM S，et al. Identifying the suicidal ideation risk group among older adults in rural areas：developing a predictive model using machine learning methods［J］.Journal of Advanced Nursing，2023，79（2）：641-651.

［24］ NA K S，GEEM Z W，CHO S E. The development of a suicidal ideation predictive model for community-dwelling elderly agedgt;55 years［J］.Neuropsychiatr Dis Treat，2022，18：163-172.

［25］ YANG L，WU H B，JIN X Q，et al. Study of cardiovascular disease prediction model based on random forest in eastern China［J］.Scientific Reports，2020，10（1）：5245.

［26］ RYU S I，LEE Y，JUN S，et al.A pilot study of machine learning-based algorithms to assist integrated care for older community-dwelling adults［J］.Comput Inform Nurs，2022，40（10）：718-724.

［27］ SAJEEV S，CHAMPION S，MAEDER A，et al.Machine learning models for identifying pre-frailty in community dwelling older adults［J］.BMC Geriatr，2022，22（1）：794.

［28］ THAPA R，GARIKIPATI A，SHOKOUHI S，et al.Predicting falls in long-term care facilities：machine learning study［J］.JMIR Aging，2022，5（2）：e35373.

［29］ XIN Y，REN X H. Predicting depression among rural and urban disabled elderly in China using a random forest classifier［J］.BMC Psychiatry，2022，22（1）：118.

［30］ YU J，HUANG W X，KAHANA E. Investigating factors of active aging among Chinese older adults：a machine learning approach［J］.The Gerontologist，2022，62（3）：332-341.

［31］ LIN S W，WU Y F，HE L X，et al.Prediction of depressive symptoms onset and long-term trajectories in home-based older adults using machine learning techniques［J］.Aging amp; Mental Health，2023，27（1）：8-17.

［32］ NA K S.Prediction of future cognitive impairment among the community elderly：a machine-learning based approach［J］.Sci Rep，2019，9（1）：3335.

［33］ RAZMARA J，ZABOLI M H，HASSANKHANI H. Elderly fall risk prediction based on a physiological profile approach using artificial neural networks［J］.Health Informatics Journal，2018，24（4）：410-418.

［34］ USMANI S，SABOOR A，HARIS M，et al.Latest research trends in fall detection and prevention using machine learning：a systematic review［J］.Sensors，2021，21（15）：5134.

［35］ 秦源，呂苗華，郝曉楠，等.社區(qū)老年人衰弱風(fēng)險(xiǎn)預(yù)測模型的研究進(jìn)展［J］.護(hù)理研究，2022，36（20）：3674-3677.

［36］ YUAN Y，LIN S Y，LIN W W，et al.Modifiable predictive factors and all-cause mortality in the non-hospitalized elderly population：an umbrella review of Meta-analyses［J］.Experimental Gerontology，2022，163：111792.

［37］ DAMEN J A，HOOFT L，SCHUIT E，et al.Prediction models for cardiovascular disease risk in the general population：systematic review［J］.BMJ，2016，353：i2416.

［38］ GUO Z T，TANG J Y，HAN H Y，et al. Cardiovascular disease risk prediction models in the Chinese population--a systematic review and Meta-analysis［J］.BMC Public Health，2022，22（1）：1608.

［39］ ANGHEL I，CIOARA T，MOLDOVAN D，et al. Smart environments and social robots for age-friendly integrated care services［J］.International Journal of Environmental Research and Public Health，2020，17（11）：3801.

［40］ ZHANG Q，LI J，BIAN M，et al.Retinal imaging techniques based on machine learning models in recognition and prediction of mild cognitive impairment［J］.Neuropsychiatr Dis Treat，2021，17：3267-3281.

［41］ GOERSS D，HEIN A，BADER S，et al.Automated sensor-based detection of challenging behaviors in advanced stages of dementia in nursing homes［J］.Alzheimer′s amp; Dementia，2020，16（4）：672-680.

［42］ AHAMED F，SHAHRESTANI S，CHEUNG H.Internet of Things and machine learning for healthy ageing：identifying the early signs of dementia［J］.Sensors，2020，20（21）：6031.

［43］ AUSTIN J，KLEIN K，MATTEK N，et al. Variability in medication taking is associated with cognitive performance in nondemented older adults［J］.Alzheimer's amp; Dementia，2017，6（1）：210-213.

［44］ KIRK D，CATAL C，TEKINERDOGAN B. Precision nutrition：a systematic literature review［J］.Computers in Biology and Medicine，2021，133：104365.

［45］ WANG Y，LIU J，WANG W，et al. Lifetime risk for cardiovascular disease in a Chinese population：the Chinese multi-provincial cohort study［J］.European Journal of Preventive Cardiology，2015，22（3）：380-388.

［46］ 胡歡婷，洪思思，賈盈盈，等.機(jī)器學(xué)習(xí)在患者出院準(zhǔn)備服務(wù)中的應(yīng)用進(jìn)展［J］.中華護(hù)理雜志，2024，59（3）：378-384.

［47］ 潘旦.正向老齡化理論下老年社會(huì)工作智能化發(fā)展研究［J］.華東理工大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2020，35（5）：64-73.

［48］ 謝瑜，謝熠.大數(shù)據(jù)時(shí)代技術(shù)治理的情感缺位與回歸［J］.自然辯證法研究，2022，38（1）：124-128.

［49］ GOH Y S，YONG J Q Y O，CHEE B Q H，et al. Machine learning in health promotion and behavioral change：scoping review［J］.Journal of Medical Internet Research，2022，24（6）：e35831.

（收稿日期：2024-03-27；修回日期：2024-10-10）

（本文編輯"張建華）