护理领域人工智能的研究热点与趋势分析

黄双双 潘海鸥

(浙江省瑞安市人民医院，浙江 瑞安 325000)

人工智能是使用计算机技术模拟人类行为能力的科学。计算机使用大量的训练数据来寻找关联，然后将这些可能存在的关联模式应用到新的语音、感官和运动等行为管理中[1]。在医疗保健方面，人工智能的应用包括筛查疾病病因，基于预测结果为患者提供治疗方案以及基于遗传、环境和社会因素的疾病风险计算等[2]。对于人工智能带来的挑战，护士需要了解护理过程中产生的数据意义，并参与护理大数据的管理，从而使人工智能更好地融入临床护理服务，优化护理实践。与临床医生主导开展的大规模数据识别和自动化研究不同[3]，于护理领域实现的人工智能的相关研究尚较少。本研究通过收集Web of Science(WOS)数据库中人工智能技术在护理领域应用研究的外文文献，通过分析其研究历程和内在关联性，来了解相关的研究热点及发展趋势，从而指导国内护理的人工智能研究的进行。

1 资料与方法

1.1文献检索标准 纳入标准：研究对象为人工智能或相关技术，并于护理领域开展的研究文献。排除标准：会议纪要、新闻报道、编辑邀稿通告或系统重复记录的研究文献。

1.2文献筛选流程 使用Web of Science核心数据库，对护理领域人工智能技术应用的相关文献进行主题检索。Web of Science是一个数据库的集合，索引了全球范围内社科、艺术和人文科学领域的高质量学术文献，这些文献发表于期刊、会议记录、专题讨论会和研讨会等。检索时间为1994-2020年，检索式为(“artificial intelligence” or “deep learning” or “machine learning”)AND(“nursing” or “nurse”)，共检索到文献845篇，为了更好地突出文献蕴含的信息，我们对845篇文献进行筛选，取出其中类型为Article和Review的文献，共795篇，并对该795篇文献进行文献计量学分析。

1.3文献数据分析 将检索并筛选后得到的795篇文献导入Citespace 5.6.R1软件，以关键词为节点，将时间分区设置为1年。设置top N%的值为10%，即提取每年中被引次数最高的10%文献。阈值(c/cc/ccv)分别设置为{(2/2/20)、(4/3/20)、(3/3/20)}，其中c表示最低被引次数，cc为共被引次数，ccv为规范化后的共被引次数。采用LLR算法，对数据进行整合分析并作可视化呈现。

2 结果

2.1文献一般情况 通过观察纳入研究的时间分布可见，入选的795篇文献多数分布于2010-2020年(n=689，86.7%)。2010年前护理领域的人工智能研究较少，仅约占总发文量的1/10(n=106，13.3%)，发文量在不同年限间波动较小，维持在较低的水平。2010年后该领域的研究进入高速发展期，发文量急剧增加，呈逐年递增的趋势。其中，发文量最多的3位作者分别为Haruko iwata、Shoji hirano、Shusaku tsumoto，均发表了15篇文献。该领域的研究人员分布较分散，发文量前10位的作者一共发表了79篇文献，占总发文量的约1/10(11.5%)。与研究人员的分布相似，参与该领域研究的机构也呈散在分布。哈佛医学院、岛野大学、明尼苏达大学、佛罗里达大学、哥伦比亚大学和伊利诺伊大学是该领域发文量较多的研究中心，均发表了10篇或以上的文献。发文量排名前10位的中心一共发表了113篇文献(16.4%)。发文机构的中心中介度普遍较低，提示发文机构间未形成交互网络。与科研人员和研究机构的分布不同，发文国家呈中心密集型分布。发文量最大的3个国家是美国、英国及日本，共发表488篇研究文献(70.8%)。其中，美国发表319篇，约占国际发文量的一半(46.3%)。近年来，中国在该领域的研究发展较快，发表相关文献73篇，稍低于日本，排在发文量的第4位。

2.2发表期刊和高被引文献 人工智能在护理领域的研究主要发表于护理期刊，包括“J ADV NURS”“NURS EDUC TODAY”“J CLIN NURS”“J NURS EDUC”等。此外，JAMA旗下的“JAMA-J AM MED ASSOC”、BMJ旗下的“BMJ-BRIT MED”及“NEW ENGL J MED”等著名综合期刊也发表了大量相关的护理研究文献。方法学和元数据库是被引用较多的两类文献。重症护理数据库(Accessible critical care database，MIMIC-III)是被该领域研究人员引用最多的元数据库。2015年发表于Nature的题为“Deep learning”的文献系统地介绍了深度学习在语音识别、视觉对象检测和其他领域(如基因组学)的突破进展，是被引用最多的方法学文献。

2.3关键词分析和研究热点 相关文献的关键词进行提取并分析，共生成464个节点和2 343条关联(节点代表热点关键词；关联线代表词组间的相关性)。高词频量的关键词包括管理(management)、预测(prediction)、模型(model)、人工智能(artificial intelligence)、质量(quality)、机器学习(machine learning)、风险(risk)、数据挖掘(data mining)、护理(nursing)、护理教学(nursing education)、干预(impact)、知识(knowledge)、健康(health)、学生(student)、体验(experience)、感知(perception)和系统(system)，见图1。

通过建立关键词网络，使用Log-likelihood rate算法做聚类分析[4]，共得到12个不同分类：护理学生(undergraduate)、机器学习(machine learning)、数据挖掘(data mining)、慢性病(chronic diseases)、人工智能(artificial intelligence)、深度学习(deep learning)、可视化(visualization)、智能生活(smart home)、个案报道(case reports)、导师模式(preceptorship)、预防(prevention)和神经发育(neurodevelopment)，见图2。这些类别代表了人工智能在护理领域研究的核心内容，主要分为两大主题：技术路线和应用对象，后者又包括疾病和教学两大方面。数据挖掘(data mining)、机器学习(machine learning)和深度学习(deep learning)等聚类簇是人工智能相关的技术路线。数据挖掘(data mining)是研究分析方法学的本质。机器学习(machine learning)和深度学习(deep learning)是在此基础上衍生出的数据建模和自动识别的方式。在技术应用的对象方面，慢病管理(chronic diseases)和预防(prevention)是临床护理常见的工作重心。护生教育(undergraduate)和导师模式(preceptorship)的建立是护理教学需要规划的内容。

图1 人工智能在护理领域研究的热点关键词

图2 人工智能在护理领域研究的聚类分析

2.4研究趋势 聚类分析在时间线上的分布显示了研究主题的变化趋势，见图3。在方法学的发展方面，2006-2008年，数据挖掘(data mining)、人工智能(artificial intelligence)和机器学习(machine learning)开始应用于护理相关的研究分析；2013年深度学习(deep learning)技术也进入了该领域。在技术应用的对象方面，针对慢病护理(chronic diseases)的研究分布较广泛，主要集中于2011-2012年；而针对预防(prevention)的护理研究则呈跳跃性分布，分别于2007年和2020年开展。长期以来(2007-2020年)，护理学生(undergraduate)是人工智能在护理教学研究的主要应用对象。2010-2014年期间导师制度是人工智能在护理研究的另一个热点内容。2019年以来智能家庭护理是人工智能技术辅助护理实施的新研究热点。

图3 人工智能在护理领域研究的时间线分布

通过观察词频增幅变化可以进一步了解研究的发展趋势[5]，见图4。2010-2013年，词频变幅较大的突显词包括数据挖掘(data mining)、多维度评价(multidimensional scaling)、聚类(clustering)和时序分析(temporal data mining)等，主要涉及方法学研究，为护理临床的应用构建基础。2015-2017年突显词包括压疮(pressure ulcer)、决策(strategy)、预测(prediction)、服务(service)和行为(behavior)，主要关注技术应用的具体优化对象，即对疾病的护理和护理实施的指导。

图4 人工智能在护理领域研究的突显词分析

3 讨论

3.1研究发展 斯坦福大学的计算机科学家John McCarthy在1956年创造了“人工智能”这个术语[6]。由于缺乏处理大量数据的计算能力和支持技术，早期人工智能的发展较缓慢[7]。这种对方法学实现能力的依赖不仅表现在时间分布上，同时也造成一定的地域差异。人工智能在护理领域的研究主要集中在少数几个发达国家(美国、英国和日本)。中国在该领域的发展较快，目前发文量排在国际第4位。而研究人员和机构的分布则较分散。该领域的核心研究人员或主导机构尚未形成。

3.2方法学迭代 随着计算机技术的开发利用，2010年以来对大型数据集的访问和运算能力取得了长足的进步。故人工智能在护理领域的研究于2010年后进入了高速发展期，发文量逐年递增[8]。人工智能是一种认知技术，通过模拟人类理解、推理和思维处理能力对证据进行排序，并提供基于证据的决策[9]。在此基础上衍生出的机器学习和深度学习是技术发展的热点。机器学习是指计算机使用算法从数据中获取知识，并解释数据最终校正输出[10]。深度学习是运用神经网络的算法，模拟神经元在人类大脑中的信息网络处理方式[11]。自2013年以来，已有多项研究尝试将机器学习和深度学习应用于疾病的辅助护理，如对老年痴呆行为的早期识别[12]、心电变异性的监测[13]等。

3.3护理研究方向 人工智能在护理领域的研究方向主要包括疾病护理和护理教学。

3.3.1疾病护理方向 将计算机算法应用于疾病护理，通过建立模型，识别和预测风险，并予以护理干预，从而指导护理决策和护理服务的实施是研究的主体。如设置罗斯曼指数(罗斯曼指数是使用护理评估指标合成的用于识别高危患者的工具)，当指数显示患者病情恶化时，护理人员可收到警报提示，对患者紧急评估，与临床医生合作对疾病进展进行干预[14]。再如引进机器人护理助手(TRINA)，TRINA是一款护理辅助自动化的机械工程，通过与患者进行日常互动，了解患者的病情变化和需求，从而实现风险评估的自动化[15]。在支持护士有效支配时间的基础上，指导针对高危患者护理实践的实施；另外，护理助手还可以代替护士处理污染材料以及移除防护设备，降低护理人员面临的感染风险。

3.3.2护理教学方向 护理教学是人工智能参与度较高的另一个护理研究主题。自然语言的文本处理(text mining)和可视化技术(visualization)可用于护理学生的教学工作。通过在线模拟“评估产妇疼痛”“术后出血事件上报”等场景，护生能够感受真实的护理环境，训练并掌握有效的沟通技巧[16]。在数据模型的驱动下，视听机器人可以对精神病患者的感知(perception)进行模拟，由护理学生使用智能手机或平板电脑进行远程评估并制定护理决策，从而评价护理实践的有效性[17]。这类人工智能在护理教学的应用不仅针对年轻的护理学生，而且能用于教育患者个人或家属完善慢病管理，实现远期预后的优化[18]。

3.4研究新热点 2019年以来智能家庭护理(smart home)成为该领域的研究新热点[19]。由护士主导的远程健康社区援助计划T-CHAT是一项利用远程计算机评估指导护理干预，促进慢病管理(chronic diseases)的研究[20]。远程护理除了收集患者主诉等医疗信息外，还支持如心脏监测等生命体征的采集。另一项基于护理数据智能处理的研究[21]对养老机构的呼叫系统进行了革新。传统的呼叫系统可能导致护理人员反馈的延迟，而智能通信系统可以快速分析并就近传达给能够响应的护理人员。

3.5国内研究现状 我国人工智能在护理领域的研究起步较晚，2016年以来相关研究逐渐增多。与国外该领域的研究侧重于“技术驱动下护理整体模式的改变”不同，我国护理领域人工智能研究的主题多为“与某种特定疾病相关的护理”，包括针对骨科患者的术后护理、急性缺血性脑梗塞患者康复阶段的人工智能指导下的护理随访(AI-assisted follow up)及脑梗塞后并发肺炎的预测(Predicting post-stroke pneumonia)等。同时，人工智能用于护理教学方面的研究在我国仍待进一步的开展。

综上所述，人工智能在护理领域的研究尚处于初级阶段，2010年以来得到了高速的发展。作为一个研究热点，人工智能在护理学的发展具有地域差距和技术更新迭代快的特点。目前，护理的人工智能研究主要针对疾病护理和护理教学两个方面。未来的研究趋势将由以临床为中心的技术应用向家庭化慢病智能管控转化。