基于集成综合评价的智能护理决策支持系统的设计研究

夏丽霞，顾则娟，林 征，王 荣，周 元，陈柯宇，曹小彤，王草源，邢双双，杨 蕾

江苏省人民医院（南京医科大学第一附属医院）,江苏210029

当今知识经济社会，护理执业环境日益复杂，专业照护可及性、碎片化护理、安全质量和成本等问题凸显[1]。有效的决策信息可以促进卫生服务的专业化[2]。而临床决策支持系统（clinical decision support system,CDSS）、电子病历（electronic health record,EHR）等卫生信息技术（health information technology,HIT）的出现推动了护理服务交付模式的变革和创新[3]。最新的高级护理程序以标准化护理语言（standardized nursing language,SNL）为基础，包含了科学的评估、护理诊断、干预及病人结局分类[4-5]。临床决策支持系统可以通过应用临床决策软件，将病人特征与计算机编码的专家知识相匹配，针对特定病人提供相关信息，帮助护士实施高级护理程序[6]。基于人工智能技术的临床决策支持系统被认为是改善病人医护质量和提高医护人员工作效率的有效工具，已成为卫生信息领域研究的热点[7]。而电子病历可以为临床决策支持系统奠定基础，早期研究者通过从电子病历提供的信息网络中集成临床决策支持系统以进行警报提醒、预防、诊断及干预决策支持[8-11]。尽管临床决策支持系统在为医护人员提供关于诊断、预防和治疗的决策建议，辅助其诊疗行为方面具有重要意义，但就目前而言，其在技术上仍面临诸多挑战，如科学知识和病人数据集通常位于不同数据库中的超大文件中（“信息孤岛”）、利用知识库“生产式规则”表示专家意见以及科学化、基于标准化护理语言的高级护理程序不尽如人意[12-14]等。随着卫生信息技术发展和信息系统普及，科学和护理不断融合，数据、知识的收集、整合、交互及共享逐渐成为实现专业照护和个性化病人护理的关键组成部分[15-17]。因此，本研究引入模糊综合评价及人工神经网络综合评价模型研发集成式、智能化护理决策支持系统，以期为后续系统的实现及应用提供参考。

1 系统构建准备

1.1 组建项目小组 根据研究目的和内容成立项目研究小组，成员包括护理部主任3 名、护理专业硕士研究生7 名、研发公司计算机软件工程师2 名。在研究过程中，根据研究进展将阶段性纳入各专科科室护士长及临床骨干。

1.2 寻找理论依据 ①决策支持理论：决策支持系统（decision support system，DSS）是计算机应用系统软件通过数据、模型和知识处理，以人机交互方式帮助用户对半结构化或非结构化问题进行决策[18]。1980 年Sprague[19]提出决策支持系统两库结构，极大地促进了决策支持系统的发展。智能决策支持系统在两库基础上增加了知识库和方法库，形成了四库结构。随后，综合评价决策支持系统又引入集成数据仓库、数据库、模型库、知识库、联机分析、数据挖掘结构部件[20]，将专家系统、数据挖掘及模型库相结合，实现了决策资源共享，成为当前决策支持领域关注的焦点。②模糊综合评价法：模糊综合评价法应用模糊数学的理论和方法，以隶属函数作为桥梁，从多因素对被评价对象隶属等级状况进行综合评价决策、排序择优[21]，其优点是对多层次、多因素且同时包含定量、定性综合目标的复杂系统评价效果较好[22]。③人工神经网络（artificial neural network，ANN）综合评价法：人工神经网络通过模拟人脑的神经网络非线性系统工作原理进行学习和判断评价，可以根据所提供的历史样本数据，反复学习训练，找出输入端和输出端之间的映射联系，从而求取问题的解[23-24]。反向传播（back propagation，BP）神经网络使用输出层→隐含层→输入层误差反向传播算法，是应用最广泛的一种神经网络模型[22]。④组合评价法：组合评价法是将同种性质综合评价方法加以改造并组合，得到更为科学、合理的评价结果。模糊综合评价与人工神经网络综合评价法的集成[22,25]被认为是对多层次、多目标复杂系统综合评价决策比较有效的一种方法。

1.3 进行文献分析 以“护理程序”“决策支持系统”“综合评价”“模糊综合评价”“人工神经网络”“数据挖掘”“人 工 智 能”“nursing procedure”“decision support system”“comprehensive evaluation”“fuzzy synthetic evaluation”“artificial neural network”“data mining”“artificial intelligence”为关键词，系统检索PubMed、EBSCO、CINAHL、PsycINFO、ERIC、中国生物医学文献数据库、知网、万方等数据库，设置检索时间为建库至2020 年2 月29 日。对“护理程序”“综合评价”“决策支持系统”相关概念、命题进行结构化资料整理及分析。

2 系统构建方法

2.1 基于反向传播神经网络与模糊综合评价集成的护理综合评价决策模型

2.1.1 护理综合评价决策指标体系的建立 护理程序（护理评估→护理诊断→护理干预→护理评价）是病人护理的关键，也是决策评价、解决问题的系统过程。实际临床工作中，护理问题评价常涉及多个因素或多个指标（如护理诊断的相关因素、诊断定义特征、治疗护理措施、病人特征及意愿等），是多因素相互作用的综合判断。根据对象系统特征确定评价指标体系，是进行综合评价的第1 步。爱荷华大学研究小组基于标准化护理语言建立的护理结局分类（nursing outcomes classification, NOC）系统包含标准化结局、定义和衡量标准，是为护士提供的能够用于确定和评价护理措施效果的专业语言[26]。本研究根据指标评价体系的建立原则，基于护理结局分类的标准化护理语言构建护理综合评价决策指标体系。其中，总目标层为专业性照护综合评价，体现护理服务的效能和效益；准则层由护理敏感性病人结局（nursing - sensitive patient outcome）构成，用以描述一种对护理措施最为敏感的，能够确定测量步骤的具体病人状态；指标层由护理敏感性结局指标（patient outcome indicator）构成，一组结局指标决定病人在该结局上的状态。护理结局分类所有结局和指标的状态、行为或感知的可变性均使用Likert 5 级计分法描述。本研究参照护理结局分类的结局和指标度量尺度，将护理综合评价决策指标体系中的指标标准分为Ⅰ～Ⅴ级，Ⅰ级表示很差，Ⅱ级表示较差，Ⅲ级表示一般，Ⅳ级表示较好，Ⅴ级表示很好。

2.1.2 确定各指标的隶属度

2.1.2.1 指标类型一致化处理 指标类型不同，处理方法不同。因此，在综合评价前需对评价指标的类型进行一致化处理，将极小型、居中型及区间型指标转换为极大型指标。

①假设极小型指标为x，极大型指标为x*，指标x的允许上界为M，一致化处理公式为：

②假设居中型指标x，极大型指标为x*，指标x 的允许下界为m，指标x 的允许上界为M，一致化处理公式为：

③假设区间型指标为x，极大型指标为x*，指标x的允许下界为m，指标x 的允许上界为M，指标x 最佳稳定区间下限为q1，指标x 最佳稳定区间上限为q2，一致化处理公式为：

2.1.2.2 有量纲向无量纲转化 无量钢化又称为指标数据的标准化、规范化，是通过数学转化消除计量指标之间量纲和量级的影响。在综合评价和知识获取以前，应先将各评价指标属性值统一变换到[0,1]。假设评价指标目标范围内某项指标的最大值为xmax，评价指标目标范围内某项指标的最小值为xmin，评价指标目标范围内某病人该指标的实际值为xi，极大型数据应用二次抛物偏大型分布的数学模型转化公式如下：

2.1.2.3 无量纲指标的处理 使用专家打分法将指标体系中无量纲指标定性评价的指标量化后，再进行标准化处理，处理方法与极大型数据应用二次抛物偏大型分布的数学模型转化公式相似。

2.1.2.4 权重的确定 采用专家估计法，基于单个护理问题，各因素相对于其上一层次因素的相对重要性权重为A＝（a1,a2,…,am），其中ai>0，且∑ai=1。

2.1.2.5 单因素模糊评价矩阵R 的确定 对每个护理方案护理敏感性病人结局集中的单因素ui（i＝1,2,…,k）进行单因素评价，从因素ui着眼该结局对抉择等级vj（j＝1,2,…,n）的隶属度为rij，得出第i 个护理敏感性病人结局ui的单因素评价集ri＝（ri1,ri2,…,rin）。如对m例病人进行护理综合评价，用rij表示对第i 例病人第j指标的评价结果，（i＝1,2,…,m；j＝1,2,…,5），以Ri表示对第i 位病人专业性照护的评价向量，构建的单因素评价矩阵R 为：

2.1.3 单项护理方案模糊评价 通过已确定的权重和已构建的单因素模糊评价判断矩阵建立单项护理方案综合评价决策集B＝（b1,b2,…,b5）。以*为普通矩阵乘法算子符号，单项护理方案的评价公式如下：

同理得出其他护理方案的评价结果。根据最大隶属度原则，据此得出每项护理方案的总体评价。

2.1.4 护理方案集模糊综合评价 护理综合评价的目的不仅是对病人结局进行综合评价，更重要的是通过综合评价最终选出专业性照护最优方案。因此，需对护理方案集的评价结果Wp进行综合排序，选出最优者。以b 表示单项护理方案综合评价决策集B＝（b1,b2,…,b5）,m 表示区间等级，在对应的指标评价标准V（I 级表示很差，Ⅱ级表示较差，Ⅲ级表示一般；Ⅳ表示较好，Ⅴ级表示很好）中，Vk表示护理方案模糊综合评价集，bpk表示单项护理方案对应V 中等级Vk的隶属度，Wp应用如下公式计算：

2.2 反向传播神经网络综合评价

2.2.1 反向传播神经网络模型学习算法 反向传播模型是由输入层、隐含层和输出层3 个层次构成的单向传播的多层网络，可有1 个或多个隐含层。本研究采用3 层反向传播神经网络模型[23]。以x1,x2,…,xn为输入层的输入值，经线性函数f(x)=X 转换后，输入层神经元输出为y1,y2,…,yc，计算隐含层神经元与输出层神经元实际输出值Oj和Yk，公式如下：

式中，Netj表示隐含层神经元输入值；j 为当前输入样本，Wij为输入层神经元i 到隐含层神经元j 的连接权值，θj为隐含层神经元j 的阈值，隐含层神经元的转换函数为S 型函数（公式14），Oj为隐含神经元j 的输出值。Netk为输出层的输入值，Vkj为输出神经元k 与隐含神经元j 之间的连接权值，δk为输出神经元k 的阈值。

输出层神经元的转换函数为线性函数：f(x)=X，得到输出层神经元的输出值为Yk=netk。

2.2.2 调整连接权值和神经元阈值 反向传播神经网络自学习方向修正，对于样本模式p，实际输出Yk与期望输出bp的误差函数Ep参照公式（17），s 个样本总的误差参照公式（18）。E≤ε（ε＝0.000 1），则参照公式（18）～公式（22），从输出层开始进行反方向权值系数和神经元阈值调整。

式中，t 为调整次数，α 为权值调整参数，β 为偏置值调整参数，Opi为输入神经元i 的输入值，Oj为隐含神经元j 的输出值，σp=(bp－Yk)Yk(1－Yk)，σpj=Oj(1－Oj）σpVkj。

2.3 基于反向传播神经网络与模糊综合评价集成的护理综合评价 使用反向传播神经网络前，以模糊评价集作为神经网络训练的样本模式，输入指标隶属度矩阵，期望输出为模糊综合评价结果，使反向传播神经网络的权值系数值经过自适应学习后得到正确的内部表示，网络的所有实际输出与理想输出一致，形成基于反向传播神经网络与模糊综合评价集成的护理综合评价决策模型（改编自张炜[27]研究)，见图1。

图1 基于反向传播神经网络与模糊综合评价集成的护理综合评价决策流程图

2.4 智能化护理综合评价决策支持系统的设计

2.4.1 系统结构设计 本研究参照Bonczek 型决策支持系统框架结构[28]，以问题处理系统为决策支持系统核心部分，构建智能化护理综合评价决策支持系统。系统框架结构由人机接口、问题处理系统、护理综合评价决策指标体系管理子系统、综合评价子系统、评价结果输出子系统、神经网络学习子系统与护理方案集模拟子系统组成。其中，护理综合评价决策指标体系管理子系统由指标体系构建模块、指标提取模块、信息查询模块及数据库模块组成；综合评价子系统由护理方案评价求解模块的推理机、评价结果分析模块、综合调度管理模块的知识库、模型库、样本库、方法库及评价结果数据库组成。智能化护理综合评价决策支持系统框架结构（改编自王宗军[25]研究)见图2。

图2 智能化护理综合评价决策支持系统框架结构

2.4.2 系统功能分析

2.4.2.1 人机接口 人机接口是智能决策支持系统与用户进行人机交互的窗口，用户按系统可接受的方式将问题相关信息输入至问题处理系统，系统按照用户既定要求输出相应评价结果，通过菜单驱动，用户可直接进入所需功能模块。

2.4.2.2 问题处理系统 问题处理系统中问题求解和分析过程如下：①根据决策者所要解决的护理问题，建立面向此护理问题的护理方案（护理评估→诊断→措施→敏感性结局）模块序列；②组成护理方案各模块内部结构，即护理评估→诊断→措施→目标相应的数据模块和匹配文件，建立相应的规则连接并运行；③对得到的基于护理问题的护理方案进行综合评价分析和排序。

2.4.2.3 护理综合评价决策指标体系管理子系统 护理综合评价决策指标体系管理子系统主要对系统运行所需的指标体系、指标原始数据、指标生成数据等进行管理。①指标体系构建模块：用于对不同病人/护理方案的指标体系结构进行构建或修改。②指标提取模块：用于提取或生成病人/护理方案中与指定护理敏感性病人结局对应的指标属性值。③信息查询模块：对指定对象的信息进行索引查询，并显示查询结果。④数据库模块：通过数据库系统动态管理和存储有关评价对象的原始及已形成的指标数据结果和文件。系统随着问题的不同不断变化，如库内没有所需数据，系统则会通过人机接口部件和自动推理机向用户索要相应数据或信息资料。

2.4.2.4 综合评价子系统 综合评价子系统通过对基于模糊综合评价和反向传播神经网络综合集成的护理综合评价决策模型进行调度，完成对指定护理方案的综合评价。①护理方案评价求解模块：负责对模糊综合评价和反向传播神经网络模型进行调度。②评价结果分析模块：引导用户正确分析专业性照护综合评价结果。③知识库：知识管理部分主要是管理有关护理评估、护理诊断、护理措施及活动领域的专业知识，包括知识的获取、表达、管理等功能。本研究知识库由护理评估项库、护理问题库、护理措施库、护理活动库构成。④模型库：针对用户提出的问题，调出库内的综合评价模型，匹配基于问题的求解。模型库具有动态构造、修改、应用和储存库内综合评价模型的功能。⑤方法库：储存对评价指标进行权重赋值、量化隶属函数标准方法和程序，支持综合评价系统调度。⑥样本库：用于提取、维护、存储及管理反向传播神经网络学习与训练所需的样本模式。⑦推理机：基于知识库识别并解答专家评价形成样本模式的问题。⑧评价结果数据库：存储系统运行时产生的评价、分析结果相关数据和文件。

2.4.2.5 神经网络学习子系统 神经网络学习子系统可以通过样本模式“学习训练”。

2.4.2.6 护理方案集模拟子系统 护理方案集模拟子系统是基于病人/护理方案，通过结局指标变量到病人结局的非线性映射，测定评价指标改变对护理方案综合评价结果的影响，为实施高级护理程序提供决策支持。

3 系统构建的意义

3.1 构建智能化护理决策支持系统可以提高护理质量 评价是决策的前提[22]，正确的护理决策源于科学的护理评价。护理评价问题的求解是在护理评估、诊断、措施、敏感性结局四维空间中进行的，包含大量定性与定量因素及多层次、多目标的复杂系统过程[29]。目前，临床护理评价（护理评估→诊断→措施→敏感性结局）主要采取经验式人工评价的方式，很难满足复杂系统综合评价要求，且具有较大主观性。此外，不同护理人员专业核心能力差异、评价指标及评价标准不统一，往往导致过度护理或护理不足。因此，本研究以实际需求为立足点，在系统文献分析、决策支持理论指导及综合评价理论深入研究的基础上，创新性地将模糊综合评价模型及反向传播神经网络模型组合引入护理综合评价决策过程，并通过运用先进的计算机信息处理技术构建对护理综合评价决策全过程进行支持的智能系统，具有一定的理论和现实意义。

多项研究证明了构建临床决策支持系统的重要性[30]。但临床决策支持系统不会取代护士的批判性思维。系统根据护士输入的病人数据和信息提供建议，护士选择接受或拒绝系统建议。通过“询问”，确认系统建议的评估、护理诊断及最佳干预措施，可以促进护士评判性思维[31]。同时，临床决策支持系统可以增加护士实施基于循证的高级护理程序（护理评估→诊断→个体化干预→结果指标）的依从性[6]。已有研究表明，高级护理程序有利于提高护士护理诊断、个体化干预的准确性，进而改善病人预后[32]。

3.2 构建智能化护理决策支持系统可以为大数据研究提供机遇 大数据研究表明，数据交互是未来进行荟萃比较分析的关键。Dagliati[33]基于电子病历及医院信息系统对2 型糖尿病病人进行纵向研究，通过异构系统间数据集成、挖掘技术，构建2 型糖尿病风险预测模型用于并发症及代谢控制管理，该研究将2 型糖尿病风险预测模型引入临床决策支持系统，系统针对医护人员的特定需求，提出了2 种解决方案，为个性化治疗与护理提供了决策支持。如何将智能护理决策支持系统与异构系统数据采集、整合及处理相结合，实施精准护理评估、诊断、干预，改善病人结局将成为未来的研究方向[34-35]。

3.3 构建智能化护理决策支持系统可以指引电子病历发展 基于标准化护理语言的智能护理决策支持系统的应用促进了电子病历的发展，有利于实现病人数据信息共享，保障连续性、个性化的护理质量。护理程序-临床决策支持系统对于可操作的系统数据、信息及大数据研究的集成整合至关重要。电子病历护理决策支持系统国际标准建议在电子病历中进行高级护理程序－临床决策支持系统测试和应用[6]。

4 小结

护理评价决策问题的求解（护理评估→诊断→干预→评价）是一个涉及多因素、多指标、多层次的复杂系统过程。本研究深入分析了模糊综合评价及反向传播神经网络综合评价原理，基于标准化护理语言的护理结局分类，构建了基于反向传播神经网络与模糊综合评价集成的护理综合评价决策模型。在该模型基础上，运用决策支持理论，参照Bonczek 型决策支持系统框架结构，以问题处理系统为核心，研究设计了集专家系统、数据、模型、知识及方法于一体的智能化护理综合评价决策支持系统。智能化护理决策支持系统在我国护理信息领域尚处于起步阶段，本研究也仅进行了初步探索，今后将进一步深入研究，系列报告系统实现、应用、改进成果。