基于人工智能的機構老人長期照護分級標準模型的構建

鄭進，覃渝茜，曾東，鄧韓彬，魏開航

1.四川省中醫藥科學院中醫研究所（四川省第二中醫醫院）臨床教學部，四川成都 610031；2.四川省八一康復中心（四川省康復醫院）脊髓損傷康復科，四川成都 611135；3.電子科技大學，四川成都 611730；4.成都樂享智家科技有限責任公司，四川成都 610095

我國是世界上老年人口最多的國家，隨著社會經濟水平的發展，我國老齡化水平逐漸加重，且整體健康水平不容樂觀。人口快速老齡化及空巢化和“壽而不康”的現狀給醫療和照護帶來了巨大的壓力[1]。 而我國的老年醫學教育、老年護理教育與發達國家相比，明顯滯后。主要表現在老年護理體系的建立上[2]。如何有效、客觀評估老人是否需要照護以及需要接受何種級別的照護是現階段老年照護存在的主要問題。因此，該研究將在前期老人照護需求評估標準池基礎上，構建基于人工智能的機構老人長期照護分級標準，為老年照護分級服務體系構建奠定技術基礎。 現報道如下。

1 對象與方法

1.1 研究對象

研究采用分層隨機抽樣，從成都市3 個不同行政區域選擇4 家養老機構選擇病例。 納入標準：①年齡≥60歲，受照護時限≥1 月；②意識清晰、有閱讀能力或可與調查人員溝通；③知情同意，自愿參加該研究。 排除標準：精神障礙、認知障礙、重癥以及疾病終末者。

1.2 調查工具

采用該課題前期設計的“養老機構老人現狀調查表問卷”，問卷內容包括一般資料、自身身體認知情況和心理、生理及社會參與需求。 此外針對老人還安排質性訪談，內容包括身體、心理和自我感覺照護需求。指標池構建的步驟如下：①專家、照護人員、老人問卷和質性訪談：查閱文獻，編撰問卷表和質性訪談表，分別對專家、養老機構照護人員、機構接受照護老人進行訪談和問卷調查，參與專家8 名，養老機構照護人員10 名，機構照護老人10 名，形成模型指標項目池，包括3 個一級指標，5 個二級指標，24 個三級指標；②專家函詢：以QQ 視頻、微信視頻等方式供函詢來自5 個省市的10 名專家，形成初步分級評估指標體系， 包括3 個一級指標，5 個二級指標，13 個三級指標；③基于人工智能老人基本數據與指標相關性分析：人工智能平臺采集22 例接受照護老人連續207 d 基礎生命數據和行為活動數據，包括基礎生命體征、日常照護數據、護理記錄頻次等，最終確定16 項核心關鍵健康與服務記錄指標， 將選擇指標與三級指標進行相關性分析，最后確定評估項目包括3 個一級指標，5 個二級指標，9 個三級指標，見表1。 其核心關鍵健康、服務記錄數據與9 個三級指標相關性詳見表2。

表1 最終納入評定表

表2 相關性分析

1.3 調查方法

在2020 年3—9 月由經過系統培訓的專業護理人員對調查對象進行現場評估，填寫調查表，若調查對象不能自己獨立完成，可在陪護幫助下協助老年對象完成，完成后利用人工智能輔助平臺后自動保存。

1.4 統計方法

1.4.1 模型總分計算方法 （1）指標分值標準化。 指標池選擇的三級指標量表有各自的評分規則，為保證不同單位和不同方向的量表指標有可比性，研究通過線性插值公式對指標分值進行標準化處理，以消除各指標量綱的影響[3]。指標越好分值越高定義為高優指標，指標越好分值越低定義為低優指標，分別用指標修正公式進行標準化及修正，χ正代表高優指標，使用公式①進行標準化處理[4]。χ反代表低優指標，使用公式②進行標準化及修正處理。χ 為該指標實際數值，見表3。

（2）人工智能基礎生命數據采集和行為活動數據計算。 數據分為兩個部分，基礎生命數據采集定義為不需監測，定期監測和持續監測，賦予分值為0、1、2 分，大小便護理、心理咨詢根據不需要，定期需要和每日需要，賦予分值為0、1、3 分，清潔護理、壓力性損傷護理、翻身護理根據護理頻次和強度分為0 分，1～14 分，各種管道護理根據有無分為0 分和4 分，其他完全需要護理人員參與的護理，根據有無分為0 分和5 分[5-6]。

1.4.2 基于聚類的經驗閾值法照護分級模型建立 （1）基于對偶法確定指標權重值。矩陣對偶法通過專家調查的各個指標進行兩兩比較，基于兩兩比較的重要程度，來獲得所計算各項指標的優先順序，以及各項指標的相對權重，由于常規的矩陣運算求解計算方式相對復雜，因此研究基于改進型的矩陣對偶法來計算相關的指標權重[7]。該文的專家調查表中，對相關指標的兩兩比較判斷的等級依次分為，明顯不重要、稍微不重要、同等重要、稍微重要、明顯重要等5 個判斷依據，基于對偶法計算指標權重的具體步驟如下。

①專家調查咨詢表中，獲得兩兩指標比較的相對重要等級，權數調查表中的指標相對重要等級，如甲比乙明顯重要，調查表需要嚴格按照比較順序進行，比較順序不能隨意更改，每次將兩個指標進行比較后，按照上表中比較前項和后項的標記，給各項指標記分并將分數記在上面表格樣式的空白表格中，同時記上配對比較時另一項指標的相應評分。

②采樣矩陣對偶法計分方法，對前述調查表中的重要等級進行評分，如甲比乙明顯重要，則甲計分為4 分，如果同等重要，則甲計分為2 分。

③基于多個專家的按列統計各指標分值，將各指標得分求和并作歸一化處理。 按列填上各指標權重。 若有兩位以上的專家參與確定權重，則將各專家對各指標的權重分別求和再取其平均值。

（2）照護指數。 運用綜合評分法中的加權法累計各三級指標標準化值加權后的總分，運用最終模型計算總分作為分類變量，結合Pearson 顯著性相關檢驗，計算對應指標相關特征，計算獲得老人照護指數。首先結合人工智能采集的基礎生命數據和行為活動數據得分，獲得相關三級指標量表評分，然后基于9 個三級指標，計算5個二級指標，最后基于5 個二級指標，計算3 個一級指標，最終得到老人照護指數[8]。 根據實際使用需求最后將原始總分加以常數轉換為百分制，得分為0～100 分。 分值越高，老人需求護理等級越高。 照護指數計算公式見③。

Y 總=0.1616×A1+0.1685×A2+0.0353×A3+0.1921×B1+0.0236×B2+0.0272×B3+0.0200×B4+0.1644×C1+0.7073×C2③

（3）照護分級模型。運用聚類分析，以最終得到的老人照護指數作為分類變量進行方差齊性檢驗，若方差齊則進行方差分析，P＞0.1 表示方差齊， 可進行方差分析，P＜0.05 為差異有統計學意義。

2 結果

2.1 指標分值標準化

在量表分數調查表中，9 個調查量表的得分最大值、最小值具有差異性，同時部分評分表分值越高效果越差，因此對此類數據進行校正，量表最大值、最小值及校正參數見表3。

表3 調查量表評分及修正示意表

2.2 權重系數及重要性排名

基于矩陣對偶法計算一級、二級、三級指標權重數值，并進行重要性排序，見表4。

表4 各級指標的權重系數及重要性排名

聚類分析樹狀圖結果顯示，組內聯接法聚類結果較為理想，組內距離較小。均控制在8 次迭代之內，而組間距離非常大，均在10 次迭代以上，考慮分為5 類。方差齊性檢驗結果顯示Levene 統計量=1.993，P=0.221（P＞0.1），5類均值間差異有統計學意義（P＜0.05），見表5；同時，SNK 多重比較結果顯示，任兩類間均值差異有統計學意義（P＜0.05）。 具體分級指標閾值見表5。

表5 照護等級經驗閾值

2.3 數據再驗證分級

重新將持續監測207 d 的22 名老人數據代入計算，基于聚類算法結合經驗閾值計算模型分類準確性為90.9%。 見表6。

表6 實際分級結果驗證

3 討論

3.1 基于量表和人工智能采集的基礎生命數據和行為活動數據的老人照護分級模型

該研究的分級模型是基于成熟量表和人工智能采集的基礎生命數據和行為活動數據計算上的。研究在前期階段通過大量文獻查閱、理論研究、質性訪談、問卷調查、專家函詢等多種方式建立起初級評估指標池，包括3 個一級指標，4 個二級指標，9 個三級指標，再此基礎上，確保這些指標均符合客觀實際應用。 與既往研究分級照護標準的研究課題相比，該研究通過納入了基于人工智能采集的基礎生命數據和行為活動數據，在指標池建立的過程中減少了量表和相應指標的納入量，極大減少了老人照護的工作量。前期研究通過分析也證實，該研究3 個一級指標內在同質性良好，各條目具有較好同源性。兩輪專家函詢相關性系數高，重復測信度效果好[9]。由此可見，該研究從最初條目池的制訂到形成最終的二級指標和三級指標，每一步都是充分結合了養老照護專家的意見，并充分考慮其專業背景、知識構架，進一步通過統計學分析嚴格評價入選專家的標準和嚴格性，保證整個研究從理論構建到條目取舍選擇都有較強的邏輯支撐，確保了整個指標池的科學性[10]。

人工智能采集數據包含了基礎生命數據和行為活動數據，在行為數據監測中，最終通過相關性分析選擇16 項最影響照護分級的指標，這些指標都有較好的實際應用性。比如大小便管理、翻身次數、口服藥物護理條目上監測顯示勞動強度大，反映了大部分需要照護老人的醫療護理內容[11]；而輸液管理，管道護理等反映了臨床最為常見的醫療護理條目；而生命體征的監測反映了臨床上最常見的醫療護理內容。這充分考慮了[12-13]：①照護內容的制訂要從臨床實際出發，針對不同老人具體的護理內容可能千差萬別，因此，具體護理條目多少以及照護強度均應作為照護分級考慮的重要依據；②長期照護過程中，老人需要照護的不僅是疾病本身，更多的是在疾病發展到一定過程或程度后所表現出的癥狀表現，而這種表現不僅存在于軀體，更表現在精神、情緒相關的改變上，指標的選擇中涉及情緒、心情的變化，涉及精神和認知的能力問題也會極大影響照護的強度；由此可見，該研究入選的指標從內容結構上均可以用專業知識合理進行歸類和分析，具有較強的實用性和邏輯性。

3.2 分級標準的建立

在養老機構老年人健康問題和照護需求多樣化的情況下，不同能力等級老年人的照護需求有不同的特點。但目前現階段我國大部分養老機構的服務主要集中于給老人提供飲食、起居等最基本的生活服務需求，而在專業理療護理、精神慰藉、康復健康咨詢等方面存在空白[14]。 通過分級標準，能夠給予不同能力和養老需求的老人提供更加全面的醫養結合型養老模式，應該是未來工作的重點。基于養老機構的老人評估應該是以人為中心的綜合評估模式，重點關注老年人的醫學、心理學和社會學、軀體功能狀況和生活質量等多方面問題。 通過研究的分級，結合人工智能平臺數據的采集，能夠確保實行一個全人、全程的連續性管理，通過全面的評估和分級能為老人提供一個綜合性養老照護方案。這個方案包括預防保健、疾病診療、精神慰藉、康復護理和長期隨訪[15-16]。在該研究中，通過照護分級能夠精確地評估出不同級別老人的照護需求和等級。能力完好的老人由于自理和認知狀況完好，而平臺監測到的行為問題為吸煙和酗酒，針對這類老人，等級照護重點就可以傾向于慢性病宣教，協助改變不良生活習慣，提高生活質量；輕度失能老年人軀體問題不明顯，主要存在日常生活活動能力和心理社會等問題，需要在照護中密切觀察心理變化情況，定期使用量表評估，安排相應的心理咨詢和健康服務；中度和重度失能老年人的主要問題為日常生活活動能力受限和疾病本身造成的癥狀影響患者的生存質量，需要為其提供日常生活照料和醫療護理服務，其照護分級因為評估內容的偏向和護理項目的增加和強度的提高綜合考慮分級也相應提高。通過對養老機構老年人健康狀況和護理需求的調查，結合人工智能平臺采集的連續性生命體征數據和行為活動數據，得出不同能力等級老年人在護理服務內容上的不同需求，其意義和價值體現在[17]：①為政府出臺政策規定和制訂護理計劃提供參考；②為合理分配衛生資源提供依據，避免資源浪費；③輔助機構照護管理工作，為護理人員的分層管理提供依據；④為制訂長期護理險的賠付標準提供依據。

3.3 物聯網—大數據平臺對照護分級制定的積極作用

該研究所使用的基于人工智能的“物聯網＋大數據”養老照護平臺是一個綜合性的信息聚合平臺，也是一個開放式的能力共享平臺，在該研究中，平臺跨領域地接入物聯傳感設備，實時采集基礎數據和行為數據，另一方面平臺對多元信息進行清洗、融合和存儲，通過與評估量表相結合，充分挖掘分析和基于神經網絡的機器學習，幫助照護人員進行照護分級標準的制訂。 平臺將面向養老服務機構提供實時性、移動性、綜合性特征的泛在信息，以及基于這些信息融合產生的照護內容，確定照護強度，使老人能夠獲得更個性化、智能化、主動化的服務，也幫助養老機構細分養老照護市場，方便開展新的業務品類[18]。 這些智慧養老服務建立在信息、數據和知識的基礎上，是信息整合、歸納、分析之上的知識升華。在物聯網和大數據的共同支持下，機構在平臺上能為老人提供快速、準確、及時、有效、智慧化、綜合性的服務，為養老服務機構提供可供快速部署和高效管理的智能應用系統，為政府管理部門提供制定發展規劃和應急響應決策的依據。

3.4 照護分級模型的應用

通過該分級標準的制訂，能夠用來區分“一般”老人和真正有護理需求的老人，同時通過該分級的使用，將真正有照護需求的老人進行適當的分級。 前期研究顯示，在對老人的自我照護需求評估的過程中，有近一半老人認為自己是需要照護的，而實際情況證實，這種照護的需求被大大高估了。通過該分級標準，讓老人在接受護理照護之前，對其健康狀況和護理需求進行全面的評估，充分了解老人是否需要照護，如果需要照護應該接受哪方面的護理照護、是否需要醫療介入，生活服務需求是哪些，明確各自的照護需求和照護強度，有助于設定合理的護理服務項目和服務標準，減少不必要的護理資源投入，提高服務質量。對老人的照護分級應該也是動態的，老人在接受照護后，能夠通過該分級標準對老人的健康狀況和護理需求重新進行評估，可以為評價護理服務質量，改進照護內容，提高照護質量提供科學、客觀的數據支持。

對老人照護進行全面的評估和護理標準分級，也是建立老人照護保險的基礎工作和關鍵保證之一。對于老人護理的全面綜合性評估和標準化分級是一項十分重要的工作。 老人護理涉及到軀體、心理和生活自理3 個層面，護理內容相應也要涉及到生活服務、護理服務和醫療服務。借助平臺記錄的照護需求評級結果確定服務內容、服務質量和服務效果，從而確定合理的給付標準，幫助保險方依據照護等級支付相應費用，也可以通過照護需求評估確定照護者所需繳納保險費用，促進老年保險的可持續化發展[19]。

綜上所述，基于人工智能的輔助，研究完成了養老照護需求評估的項目池構建和分級標準構建，但該研究仍有不足之處：①在查找文獻的過程中，研究發現各國對于老人照護標準制訂背景不同，因此，各國的標準也不盡相同，查閱的文獻大多都是簡單的分級，缺乏對分級當時的詳細描述，因此，該研究未將自己的分級模型與國外的分級模型進行比較。但該研究在建立模型后進行了實踐工作的檢驗，部分彌補了模型建立的不足；②該研究涉及的樣本量較小，可能在統計上不能完全控制在模型建立中的人為偏倚。在文獻查閱、專家咨詢、統計分析中都有可能存在一定的誤差不能消除。 因此，模型還需要更多實踐檢驗，以達到不斷修正和完善。