護理領域人工智能的研究熱點與趨勢分析

黃雙雙 潘海鷗

(浙江省瑞安市人民醫院，浙江 瑞安 325000)

人工智能是使用計算機技術模擬人類行為能力的科學。計算機使用大量的訓練數據來尋找關聯，然后將這些可能存在的關聯模式應用到新的語音、感官和運動等行為管理中[1]。在醫療保健方面，人工智能的應用包括篩查疾病病因，基于預測結果為患者提供治療方案以及基于遺傳、環境和社會因素的疾病風險計算等[2]。對于人工智能帶來的挑戰，護士需要了解護理過程中產生的數據意義，并參與護理大數據的管理，從而使人工智能更好地融入臨床護理服務，優化護理實踐。與臨床醫生主導開展的大規模數據識別和自動化研究不同[3]，于護理領域實現的人工智能的相關研究尚較少。本研究通過收集Web of Science(WOS)數據庫中人工智能技術在護理領域應用研究的外文文獻，通過分析其研究歷程和內在關聯性，來了解相關的研究熱點及發展趨勢，從而指導國內護理的人工智能研究的進行。

1 資料與方法

1.1文獻檢索標準 納入標準：研究對象為人工智能或相關技術，并于護理領域開展的研究文獻。排除標準：會議紀要、新聞報道、編輯邀稿通告或系統重復記錄的研究文獻。

1.2文獻篩選流程 使用Web of Science核心數據庫，對護理領域人工智能技術應用的相關文獻進行主題檢索。Web of Science是一個數據庫的集合，索引了全球范圍內社科、藝術和人文科學領域的高質量學術文獻，這些文獻發表于期刊、會議記錄、專題討論會和研討會等。檢索時間為1994-2020年，檢索式為(“artificial intelligence” or “deep learning” or “machine learning”)AND(“nursing” or “nurse”)，共檢索到文獻845篇，為了更好地突出文獻蘊含的信息，我們對845篇文獻進行篩選，取出其中類型為Article和Review的文獻，共795篇，并對該795篇文獻進行文獻計量學分析。

1.3文獻數據分析 將檢索并篩選后得到的795篇文獻導入Citespace 5.6.R1軟件，以關鍵詞為節點，將時間分區設置為1年。設置top N%的值為10%，即提取每年中被引次數最高的10%文獻。閾值(c/cc/ccv)分別設置為{(2/2/20)、(4/3/20)、(3/3/20)}，其中c表示最低被引次數，cc為共被引次數，ccv為規范化后的共被引次數。采用LLR算法，對數據進行整合分析并作可視化呈現。

2 結果

2.1文獻一般情況 通過觀察納入研究的時間分布可見，入選的795篇文獻多數分布于2010-2020年(n=689，86.7%)。2010年前護理領域的人工智能研究較少，僅約占總發文量的1/10(n=106，13.3%)，發文量在不同年限間波動較小，維持在較低的水平。2010年后該領域的研究進入高速發展期，發文量急劇增加，呈逐年遞增的趨勢。其中，發文量最多的3位作者分別為Haruko iwata、Shoji hirano、Shusaku tsumoto，均發表了15篇文獻。該領域的研究人員分布較分散，發文量前10位的作者一共發表了79篇文獻，占總發文量的約1/10(11.5%)。與研究人員的分布相似，參與該領域研究的機構也呈散在分布。哈佛醫學院、島野大學、明尼蘇達大學、佛羅里達大學、哥倫比亞大學和伊利諾伊大學是該領域發文量較多的研究中心，均發表了10篇或以上的文獻。發文量排名前10位的中心一共發表了113篇文獻(16.4%)。發文機構的中心中介度普遍較低，提示發文機構間未形成交互網絡。與科研人員和研究機構的分布不同，發文國家呈中心密集型分布。發文量最大的3個國家是美國、英國及日本，共發表488篇研究文獻(70.8%)。其中，美國發表319篇，約占國際發文量的一半(46.3%)。近年來，中國在該領域的研究發展較快，發表相關文獻73篇，稍低于日本，排在發文量的第4位。

2.2發表期刊和高被引文獻 人工智能在護理領域的研究主要發表于護理期刊，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”等著名綜合期刊也發表了大量相關的護理研究文獻。方法學和元數據庫是被引用較多的兩類文獻。重癥護理數據庫(Accessible critical care database，MIMIC-III)是被該領域研究人員引用最多的元數據庫。2015年發表于Nature的題為“Deep learning”的文獻系統地介紹了深度學習在語音識別、視覺對象檢測和其他領域(如基因組學)的突破進展，是被引用最多的方法學文獻。

2.3關鍵詞分析和研究熱點 相關文獻的關鍵詞進行提取并分析，共生成464個節點和2 343條關聯(節點代表熱點關鍵詞；關聯線代表詞組間的相關性)。高詞頻量的關鍵詞包括管理(management)、預測(prediction)、模型(model)、人工智能(artificial intelligence)、質量(quality)、機器學習(machine learning)、風險(risk)、數據挖掘(data mining)、護理(nursing)、護理教學(nursing education)、干預(impact)、知識(knowledge)、健康(health)、學生(student)、體驗(experience)、感知(perception)和系統(system)，見圖1。

通過建立關鍵詞網絡，使用Log-likelihood rate算法做聚類分析[4]，共得到12個不同分類：護理學生(undergraduate)、機器學習(machine learning)、數據挖掘(data mining)、慢性病(chronic diseases)、人工智能(artificial intelligence)、深度學習(deep learning)、可視化(visualization)、智能生活(smart home)、個案報道(case reports)、導師模式(preceptorship)、預防(prevention)和神經發育(neurodevelopment)，見圖2。這些類別代表了人工智能在護理領域研究的核心內容，主要分為兩大主題：技術路線和應用對象，后者又包括疾病和教學兩大方面。數據挖掘(data mining)、機器學習(machine learning)和深度學習(deep learning)等聚類簇是人工智能相關的技術路線。數據挖掘(data mining)是研究分析方法學的本質。機器學習(machine learning)和深度學習(deep learning)是在此基礎上衍生出的數據建模和自動識別的方式。在技術應用的對象方面，慢病管理(chronic diseases)和預防(prevention)是臨床護理常見的工作重心。護生教育(undergraduate)和導師模式(preceptorship)的建立是護理教學需要規劃的內容。

圖1 人工智能在護理領域研究的熱點關鍵詞

圖2 人工智能在護理領域研究的聚類分析

2.4研究趨勢 聚類分析在時間線上的分布顯示了研究主題的變化趨勢，見圖3。在方法學的發展方面，2006-2008年，數據挖掘(data mining)、人工智能(artificial intelligence)和機器學習(machine learning)開始應用于護理相關的研究分析；2013年深度學習(deep learning)技術也進入了該領域。在技術應用的對象方面，針對慢病護理(chronic diseases)的研究分布較廣泛，主要集中于2011-2012年；而針對預防(prevention)的護理研究則呈跳躍性分布，分別于2007年和2020年開展。長期以來(2007-2020年)，護理學生(undergraduate)是人工智能在護理教學研究的主要應用對象。2010-2014年期間導師制度是人工智能在護理研究的另一個熱點內容。2019年以來智能家庭護理是人工智能技術輔助護理實施的新研究熱點。

圖3 人工智能在護理領域研究的時間線分布

通過觀察詞頻增幅變化可以進一步了解研究的發展趨勢[5]，見圖4。2010-2013年，詞頻變幅較大的突顯詞包括數據挖掘(data mining)、多維度評價(multidimensional scaling)、聚類(clustering)和時序分析(temporal data mining)等，主要涉及方法學研究，為護理臨床的應用構建基礎。2015-2017年突顯詞包括壓瘡(pressure ulcer)、決策(strategy)、預測(prediction)、服務(service)和行為(behavior)，主要關注技術應用的具體優化對象，即對疾病的護理和護理實施的指導。

圖4 人工智能在護理領域研究的突顯詞分析

3 討論

3.1研究發展 斯坦福大學的計算機科學家John McCarthy在1956年創造了“人工智能”這個術語[6]。由于缺乏處理大量數據的計算能力和支持技術，早期人工智能的發展較緩慢[7]。這種對方法學實現能力的依賴不僅表現在時間分布上，同時也造成一定的地域差異。人工智能在護理領域的研究主要集中在少數幾個發達國家(美國、英國和日本)。中國在該領域的發展較快，目前發文量排在國際第4位。而研究人員和機構的分布則較分散。該領域的核心研究人員或主導機構尚未形成。

3.2方法學迭代 隨著計算機技術的開發利用，2010年以來對大型數據集的訪問和運算能力取得了長足的進步。故人工智能在護理領域的研究于2010年后進入了高速發展期，發文量逐年遞增[8]。人工智能是一種認知技術，通過模擬人類理解、推理和思維處理能力對證據進行排序，并提供基于證據的決策[9]。在此基礎上衍生出的機器學習和深度學習是技術發展的熱點。機器學習是指計算機使用算法從數據中獲取知識，并解釋數據最終校正輸出[10]。深度學習是運用神經網絡的算法，模擬神經元在人類大腦中的信息網絡處理方式[11]。自2013年以來，已有多項研究嘗試將機器學習和深度學習應用于疾病的輔助護理，如對老年癡呆行為的早期識別[12]、心電變異性的監測[13]等。

3.3護理研究方向 人工智能在護理領域的研究方向主要包括疾病護理和護理教學。

3.3.1疾病護理方向 將計算機算法應用于疾病護理，通過建立模型，識別和預測風險，并予以護理干預，從而指導護理決策和護理服務的實施是研究的主體。如設置羅斯曼指數(羅斯曼指數是使用護理評估指標合成的用于識別高危患者的工具)，當指數顯示患者病情惡化時，護理人員可收到警報提示，對患者緊急評估，與臨床醫生合作對疾病進展進行干預[14]。再如引進機器人護理助手(TRINA)，TRINA是一款護理輔助自動化的機械工程，通過與患者進行日常互動，了解患者的病情變化和需求，從而實現風險評估的自動化[15]。在支持護士有效支配時間的基礎上，指導針對高危患者護理實踐的實施；另外，護理助手還可以代替護士處理污染材料以及移除防護設備，降低護理人員面臨的感染風險。

3.3.2護理教學方向 護理教學是人工智能參與度較高的另一個護理研究主題。自然語言的文本處理(text mining)和可視化技術(visualization)可用于護理學生的教學工作。通過在線模擬“評估產婦疼痛”“術后出血事件上報”等場景，護生能夠感受真實的護理環境，訓練并掌握有效的溝通技巧[16]。在數據模型的驅動下，視聽機器人可以對精神病患者的感知(perception)進行模擬，由護理學生使用智能手機或平板電腦進行遠程評估并制定護理決策，從而評價護理實踐的有效性[17]。這類人工智能在護理教學的應用不僅針對年輕的護理學生，而且能用于教育患者個人或家屬完善慢病管理，實現遠期預后的優化[18]。

3.4研究新熱點 2019年以來智能家庭護理(smart home)成為該領域的研究新熱點[19]。由護士主導的遠程健康社區援助計劃T-CHAT是一項利用遠程計算機評估指導護理干預，促進慢病管理(chronic diseases)的研究[20]。遠程護理除了收集患者主訴等醫療信息外，還支持如心臟監測等生命體征的采集。另一項基于護理數據智能處理的研究[21]對養老機構的呼叫系統進行了革新。傳統的呼叫系統可能導致護理人員反饋的延遲，而智能通信系統可以快速分析并就近傳達給能夠響應的護理人員。

3.5國內研究現狀 我國人工智能在護理領域的研究起步較晚，2016年以來相關研究逐漸增多。與國外該領域的研究側重于“技術驅動下護理整體模式的改變”不同，我國護理領域人工智能研究的主題多為“與某種特定疾病相關的護理”，包括針對骨科患者的術后護理、急性缺血性腦梗塞患者康復階段的人工智能指導下的護理隨訪(AI-assisted follow up)及腦梗塞后并發肺炎的預測(Predicting post-stroke pneumonia)等。同時，人工智能用于護理教學方面的研究在我國仍待進一步的開展。

綜上所述，人工智能在護理領域的研究尚處于初級階段，2010年以來得到了高速的發展。作為一個研究熱點，人工智能在護理學的發展具有地域差距和技術更新迭代快的特點。目前，護理的人工智能研究主要針對疾病護理和護理教學兩個方面。未來的研究趨勢將由以臨床為中心的技術應用向家庭化慢病智能管控轉化。