人工智能技术在护理安全管理中的应用研究进展

任宏飞，刘常清，张铭光，蒋 艳

四川大学华西医院/华西护理学院，四川 610041

病人安全是指将卫生保健相关的不必要伤害减少到可接受的最低程度的风险控制过程[1]，是医疗、护理行为的基本原则，在和谐医患关系、控制医疗费用、促进全民健康等方面具有重要意义。据报道，由于不安全护理导致的不良事件是全世界十大死亡和残疾原因之一，其中1/3～1/2 是可以预防的[2]。由于全球护理人力资源长期处于紧缺状态，护理工作负荷大、方式多变、内容繁复，工作自主性受限于医疗环境、护理资源、个人水平等多重因素，给病人安全带来了一定的风险与挑战。随着精准医学时代的到来，人工智能（artificial intelligence，AI）技术快速与医学融合，在机器人、语言识别、图像识别、自然语言处理等医疗领域得到了大力发展[3]，并用于疾病诊疗、健康管理、药物研发、精准医学、跨地域医疗整合系统等方面[4]。近年来，人工智能在病人安全活动领域的研究取得了显著的成果，对护理模式的改变、护理服务质量的提升具有重要影响。现综述人工智能在医院感染、压力性损伤、跌倒及身份识别等护理相关病人安全结局的研究及应用现状，旨在探索基于人工智能的更为科学、高效的护理方法，提高护理质量，促进病人安全。

1 人工智能技术内涵

广义上讲，人工智能为一种能够做出智能决策的计算机程序。本研究中的人工智能是指计算机或医疗保健设备分析广泛的医疗保健数据、揭示隐藏知识、识别风险并加强沟通的能力[5]。人工智能技术包括机器学习、自然语言处理、计算机视觉、智能机器人、自动程序设计等[6]。其中，机器学习和自然语言处理在医疗保健领域中的应用广泛[7]。机器学习是指计算机能够利用监督学习或非监督学习来识别潜在信息或对数据进行预测。自然语言处理是研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法，最终研制能有效实现自然语言通信的计算机系统。研究显示，在病人安全领域中，机器学习中的支持向量法和自然语言处理应用的最多[8]。

2 人工智能在护理安全事件预测中的应用

2.1 人工智能在医院感染预防中的应用 医院感染防控是有效保障病人安全的基本要求。2019 年国家卫健委官网报道，我国2014 年以来报告的医院感染现患率为2.3%～2.7%[9]。同期，美国医院相关感染的发生率为3.2%[10]。如何早期发现并及时控制医院感染的发生已成为关键问题。近年来，国外对人工智能在医院感染预防控制方面的作用进行了大量的研究。一方面，人工智能可通过提供实时、准确的医院感染风险预测来预防、控制感染。如Beeler 等[11]通过人工智能技术中的随机森林分类算法实现精准预测中心导管相关性血流感染的发生。另一方面，通过人工智能技术规范医务人员行为，达到预防医院感染的目的，其中手卫生是全球公认的预防、控制医院感染最简单、有效、经济的措施[12]。如使用基于摄像头的增强现实和游戏化学习来培训和评估手卫生技术[13]，或使用卷积网络分类器的计算机视觉监测医务人员手卫生执行情况[14]，从而提高医务人员手卫生的依从性。也有研究通过开发综合的手卫生智能化管理系统，包括Sure Wash 系统、手卫生评估和活动监测系统，该系统在不影响临床工作流程的情况下，使用人工智能改善手卫生效果[15]。除此之外，有研究尝试将可穿戴技术应用于手卫生监测，这种设备可以感应到医务工作者洗手或手消毒行为，记录洗手时间并监测依从率，进而起到改善手卫生依从率的作用[16-17]，但其远期效果有待进一步研究。国内对于人工智能技术在医院感染预防、控制方面的研究较少，仅初步探索了医院感染发生的预测模型[18]、智能监测系统在手卫生中的应用[19]，尚缺乏深入、细致的研究。国外针对人工智能技术在医院感染预防、控制方面的研究较多，但也存在一些局限性。首先，人工智能在医院感染预测中的准确性值得商榷，因为精准的模型开发需要一个高质量的数据集，而目前的数据库质量有待提高。其次，目前开发的手卫生智能化系统，会将实时反馈整合到人工智能应用程序中以强调手卫生行为的重要性，虽然提高了洗手的数量及质量，但员工会对反馈产生依赖性，当反馈被删除时，洗手行为又回到了基线水平。再者，在使用人工智能视觉模拟时，如何更好地考虑现实医院情景中的环境及人流量所带来的干扰问题尚未得到很好的解决。最后，可穿戴技术的应用及研究，需要进一步考虑用户态度、设备功能和可用性（设备设计、尺寸或重量）等重要因素。未来，我国护理学者可深入探索人工智能技术在护理操作相关感染的预测、干预以及手卫生执行质量等领域的研究。

2.2 人工智能在压力性损伤监测及预防中的应用压力性损伤是反映病人安全相关护理不良事件的主要指标之一。一项针对压力性损伤患病率的系统综述指出，全球压力性损伤患病率为3.4%～32.4%[20]，其中97%的医院获得性压力性损伤是可以预防的[21]。目前，人工智能技术对压力性损伤的研究大多侧重于风险预测和创面评估、测量和分析。在风险预测方面，Alderden 等[22]采用随机森林模型，利用电子健康病历中的数据，对危重病人压力性损伤发生风险进行预测，与传统Braden 量表相比，其准确性更高[受试者工作特征曲线下面积（AUC）为0.79，0.68）]。Song 等[23]利用丰富的电子健康记录数据，开发了基于机器学习的非医院获得性压力损伤和医院获得性压力损伤两种预测模型，并证实其具有较高的准确性。宋杰等[24-25]利用机器学习算法中的随机森林模型构建了压力性损伤预测模型，准确率高达90%以上。另外，也有研究分别采用模糊逻辑和机器学习，研发了智能床和轮椅垫，通过分析嵌入式传感器的数据，实现特定皮肤区域发生压力性损伤的风险预测[26]。这些模型虽然具有非常高的预测准确率，能够帮助临床护理人员早期识别压力性损伤发生的高危人群，但这些模型在及时提醒护理干预者和促进早期干预方面的应用仍有待于进一步研究。在评估和分析方面，目前有针对压力性损伤创面分析的光谱相机[27]和创面照片学习测量工具[28]，前者通过光谱相机对皮肤不同组织的不同反射率进行特征处理，进行溃疡面积测量；后者将创面照片与机器学习中的贝叶斯算法结合进行创面测量。这两种方法通过相机拍摄进行创面测量，但分析速度较慢，且分析质量有待进一步提高。Wang 等[29]采用卷积神经网络和支持向量机算法，在5 s 内完成压力性损伤图像数据的收集与分析，准确率高达95.0%。此外，Zahia 等[30]通过卷积神经网络算法实现了压力性损伤创面的不同组织类型的测量，包括创面面积和深度测量，平均测量准确率均超过92%。有研究显示，利用机器学习算法开发的压力性损伤创面评估、测量和分析等技术，实现了对压力性损伤非结构性数据分析，能够准确、高效地评估和监测压力性损伤，具有实时、客观、安全等优点，有助于提高压力性损伤评估的准确性，减轻护理人员在压力性损伤管理方面的工作负担[31]。未来，可进一步探索人工智能在压力性损伤干预和预后评价等方面的应用研究。

2.3 人工智能在跌倒监测及预防中的应用 跌倒是反映病人安全相关护理不良事件的又一主要指标。研究显示，美国65 岁及以上成年人中，有1.1%的住院病人发生跌倒[32]，其中87.5% 的跌倒是可以预防的[21]。我国65 岁以上老年住院病人中跌倒发生率为30%[33]。跌倒不仅严重威胁病人人身安全，而且会延长住院时间，增加医疗成本。因此，准确预测跌倒的发生并及时予以干预可以有效降低跌倒的伤害。近年来，利用人工智能方法实现病人跌倒的风险预测已成为现实。有研究通过计算机视觉技术实施实时视频监控，对步态参数建模并实施跌倒监测，进而预测跌倒风险，有助于实施相应的防范对策[34]。我国学者韩锟等[35]基于Open Pose 深度卷积网络自图像提取的人体姿态关键点获取人体倾斜姿态动态特征，使用基于线性核的支持向量机完成跌倒行为预测，该方法在人体动作数据集上测试取得了97.33%的准确率与94.80%的精确率，与现有基于图像的跌倒识别方法相比具有更优的性能。可穿戴式跌倒检测系统可以自动发现跌倒并有效降低跌倒相关并发症发生的风险。成功应用可穿戴式跌倒检测系统主要取决于3 种因素：算法性能、电池寿命以及用户接受程度[36]。已有研究显示，可穿戴传感器数据的分类模型显示，根据受试者摔倒的风险，在试验环境中预测的准确率相对较高[37-39]。然而，它们在现实世界中的可用性和适用性还需要进一步测试。但基于可穿戴设备的跌倒检测技术受限于算法的稳定性和识别的准确率,技术的灵敏度和特异度难以同时得到保证。其中，基于计算机视觉的跌倒检测技术在无干扰的场景下检测较为有效，但其易受环境变化（如背景光线、人群遮挡）影响。因此，张子浩等[40]提出了一种融合计算机视觉和可穿戴计算数据的跌倒检测的新方法，并进行算法检测，得出离线和在线测试数据的准确率、敏感度和特异度均超过了99%，证明了该方法具有较高的准确率和灵敏性。为帮助老年人获得及时救助、减少因跌倒造成的伤害提供了技术支持。未来，可进一步探索人工智能技术在跌倒预防干预方面的可行性。

3 人工智能在其他病人安全领域的应用探索

在病人身份识别方面，2019 年中国医院协会最新发布的病人安全目标中明确提出，鼓励应用条码扫描、人脸识别等身份信息识别技术。目前，国内多家医院已经引进了人脸识别系统，包含病人信息建档、分诊挂号、科室诊疗、报告读取、医保支付、后勤安全管理等多个场景。计算机视觉可以快速完成病人身份匹配，提高身份识别的准确率，减少用药、采血及其他护理操作失误。可靠、易行、低廉的识别设备和系统设计仍然是目前亟待深入探索的重要方向[41]。此外，通过环境或可穿戴设备收集的计算机视觉资料，可以提取病人的图像行为，识别异常数值，从而辅助医生快速判断病人的身体和心理状态，实现病情观察、疼痛评估、心理危机预警、自伤自杀行为危机预警等，亦可辅助急诊快速分检，门诊病人突发心搏骤停等特殊事件的应急响应和处置[42]。因此，在大数据背景下，以智能机器人、监控摄像头或传感设备为载体，整合动作行为、步态、表情识别等关键信息的计算机视觉技术，在特殊风险病人群体的动态评估、病情监护、风险预测、自动报警等方面具有巨大潜力[43]。同时，计算机视觉智能辅助医疗、护理质量“结构-过程-结果”管理体系，形成病人安全闭环管理，可对临床护理质量和工作效率做出重大贡献，使临床护理人员能够专注于细微的决策与护理，切实保障医疗、护理安全。

4 小结

人工智能助益临床病人安全管理是未来临床护理发展的趋势。人工智能在护理领域中病人安全相关结局的风险预测已较成熟，包括导管相关性感染、压力性损伤以及跌倒等发生风险预测。但这些研究大部分基于人工智能的预测模型的开发，缺乏临床研究来评价在临床层面使用人工智能对病人安全结果的作用和影响。另外，现有的数据质量参差不齐，开发的预测模型的准确性和可行性有待探究，加之，研究者多为大数据分析人员，较少有医护人员参加，部分工具的研发无法与临床工作相吻合，导致研究结果的准确性有待进一步证实。因此，未来的工作仍然需要在前瞻性和临床实际环境中对这些系统进行强有力的验证，以了解人工智能在卫生保健环境中如何预测病人安全结果，也可进一步探索人工智能辅助护理干预新技术、新方法在病人安全中应用及效果评价，不断提升护理质量，促进病人安全。