基于集成綜合評價的智能護理決策支持系統的設計研究

夏麗霞，顧則娟，林 征，王 榮，周 元，陳柯宇，曹小彤，王草源，邢雙雙，楊 蕾

江蘇省人民醫院（南京醫科大學第一附屬醫院）,江蘇210029

當今知識經濟社會，護理執業環境日益復雜，專業照護可及性、碎片化護理、安全質量和成本等問題凸顯[1]。有效的決策信息可以促進衛生服務的專業化[2]。而臨床決策支持系統（clinical decision support system,CDSS）、電子病歷（electronic health record,EHR）等衛生信息技術（health information technology,HIT）的出現推動了護理服務交付模式的變革和創新[3]。最新的高級護理程序以標準化護理語言（standardized nursing language,SNL）為基礎，包含了科學的評估、護理診斷、干預及病人結局分類[4-5]。臨床決策支持系統可以通過應用臨床決策軟件，將病人特征與計算機編碼的專家知識相匹配，針對特定病人提供相關信息，幫助護士實施高級護理程序[6]。基于人工智能技術的臨床決策支持系統被認為是改善病人醫護質量和提高醫護人員工作效率的有效工具，已成為衛生信息領域研究的熱點[7]。而電子病歷可以為臨床決策支持系統奠定基礎，早期研究者通過從電子病歷提供的信息網絡中集成臨床決策支持系統以進行警報提醒、預防、診斷及干預決策支持[8-11]。盡管臨床決策支持系統在為醫護人員提供關于診斷、預防和治療的決策建議，輔助其診療行為方面具有重要意義，但就目前而言，其在技術上仍面臨諸多挑戰，如科學知識和病人數據集通常位于不同數據庫中的超大文件中（“信息孤島”）、利用知識庫“生產式規則”表示專家意見以及科學化、基于標準化護理語言的高級護理程序不盡如人意[12-14]等。隨著衛生信息技術發展和信息系統普及，科學和護理不斷融合，數據、知識的收集、整合、交互及共享逐漸成為實現專業照護和個性化病人護理的關鍵組成部分[15-17]。因此，本研究引入模糊綜合評價及人工神經網絡綜合評價模型研發集成式、智能化護理決策支持系統，以期為后續系統的實現及應用提供參考。

1 系統構建準備

1.1 組建項目小組 根據研究目的和內容成立項目研究小組，成員包括護理部主任3 名、護理專業碩士研究生7 名、研發公司計算機軟件工程師2 名。在研究過程中，根據研究進展將階段性納入各專科科室護士長及臨床骨干。

1.2 尋找理論依據 ①決策支持理論：決策支持系統（decision support system，DSS）是計算機應用系統軟件通過數據、模型和知識處理，以人機交互方式幫助用戶對半結構化或非結構化問題進行決策[18]。1980 年Sprague[19]提出決策支持系統兩庫結構，極大地促進了決策支持系統的發展。智能決策支持系統在兩庫基礎上增加了知識庫和方法庫，形成了四庫結構。隨后，綜合評價決策支持系統又引入集成數據倉庫、數據庫、模型庫、知識庫、聯機分析、數據挖掘結構部件[20]，將專家系統、數據挖掘及模型庫相結合，實現了決策資源共享，成為當前決策支持領域關注的焦點。②模糊綜合評價法：模糊綜合評價法應用模糊數學的理論和方法，以隸屬函數作為橋梁，從多因素對被評價對象隸屬等級狀況進行綜合評價決策、排序擇優[21]，其優點是對多層次、多因素且同時包含定量、定性綜合目標的復雜系統評價效果較好[22]。③人工神經網絡（artificial neural network，ANN）綜合評價法：人工神經網絡通過模擬人腦的神經網絡非線性系統工作原理進行學習和判斷評價，可以根據所提供的歷史樣本數據，反復學習訓練，找出輸入端和輸出端之間的映射聯系，從而求取問題的解[23-24]。反向傳播（back propagation，BP）神經網絡使用輸出層→隱含層→輸入層誤差反向傳播算法，是應用最廣泛的一種神經網絡模型[22]。④組合評價法：組合評價法是將同種性質綜合評價方法加以改造并組合，得到更為科學、合理的評價結果。模糊綜合評價與人工神經網絡綜合評價法的集成[22,25]被認為是對多層次、多目標復雜系統綜合評價決策比較有效的一種方法。

1.3 進行文獻分析 以“護理程序”“決策支持系統”“綜合評價”“模糊綜合評價”“人工神經網絡”“數據挖掘”“人 工 智 能”“nursing procedure”“decision support system”“comprehensive evaluation”“fuzzy synthetic evaluation”“artificial neural network”“data mining”“artificial intelligence”為關鍵詞，系統檢索PubMed、EBSCO、CINAHL、PsycINFO、ERIC、中國生物醫學文獻數據庫、知網、萬方等數據庫，設置檢索時間為建庫至2020 年2 月29 日。對“護理程序”“綜合評價”“決策支持系統”相關概念、命題進行結構化資料整理及分析。

2 系統構建方法

2.1 基于反向傳播神經網絡與模糊綜合評價集成的護理綜合評價決策模型

2.1.1 護理綜合評價決策指標體系的建立 護理程序（護理評估→護理診斷→護理干預→護理評價）是病人護理的關鍵，也是決策評價、解決問題的系統過程。實際臨床工作中，護理問題評價常涉及多個因素或多個指標（如護理診斷的相關因素、診斷定義特征、治療護理措施、病人特征及意愿等），是多因素相互作用的綜合判斷。根據對象系統特征確定評價指標體系，是進行綜合評價的第1 步。愛荷華大學研究小組基于標準化護理語言建立的護理結局分類（nursing outcomes classification, NOC）系統包含標準化結局、定義和衡量標準，是為護士提供的能夠用于確定和評價護理措施效果的專業語言[26]。本研究根據指標評價體系的建立原則，基于護理結局分類的標準化護理語言構建護理綜合評價決策指標體系。其中，總目標層為專業性照護綜合評價，體現護理服務的效能和效益；準則層由護理敏感性病人結局（nursing - sensitive patient outcome）構成，用以描述一種對護理措施最為敏感的，能夠確定測量步驟的具體病人狀態；指標層由護理敏感性結局指標（patient outcome indicator）構成，一組結局指標決定病人在該結局上的狀態。護理結局分類所有結局和指標的狀態、行為或感知的可變性均使用Likert 5 級計分法描述。本研究參照護理結局分類的結局和指標度量尺度，將護理綜合評價決策指標體系中的指標標準分為Ⅰ～Ⅴ級，Ⅰ級表示很差，Ⅱ級表示較差，Ⅲ級表示一般，Ⅳ級表示較好，Ⅴ級表示很好。

2.1.2 確定各指標的隸屬度

2.1.2.1 指標類型一致化處理 指標類型不同，處理方法不同。因此，在綜合評價前需對評價指標的類型進行一致化處理，將極小型、居中型及區間型指標轉換為極大型指標。

①假設極小型指標為x，極大型指標為x*，指標x的允許上界為M，一致化處理公式為：

②假設居中型指標x，極大型指標為x*，指標x 的允許下界為m，指標x 的允許上界為M，一致化處理公式為：

③假設區間型指標為x，極大型指標為x*，指標x的允許下界為m，指標x 的允許上界為M，指標x 最佳穩定區間下限為q1，指標x 最佳穩定區間上限為q2，一致化處理公式為：

2.1.2.2 有量綱向無量綱轉化 無量鋼化又稱為指標數據的標準化、規范化，是通過數學轉化消除計量指標之間量綱和量級的影響。在綜合評價和知識獲取以前，應先將各評價指標屬性值統一變換到[0,1]。假設評價指標目標范圍內某項指標的最大值為xmax，評價指標目標范圍內某項指標的最小值為xmin，評價指標目標范圍內某病人該指標的實際值為xi，極大型數據應用二次拋物偏大型分布的數學模型轉化公式如下：

2.1.2.3 無量綱指標的處理 使用專家打分法將指標體系中無量綱指標定性評價的指標量化后，再進行標準化處理，處理方法與極大型數據應用二次拋物偏大型分布的數學模型轉化公式相似。

2.1.2.4 權重的確定 采用專家估計法，基于單個護理問題，各因素相對于其上一層次因素的相對重要性權重為A＝（a1,a2,…,am），其中ai>0，且∑ai=1。

2.1.2.5 單因素模糊評價矩陣R 的確定 對每個護理方案護理敏感性病人結局集中的單因素ui（i＝1,2,…,k）進行單因素評價，從因素ui著眼該結局對抉擇等級vj（j＝1,2,…,n）的隸屬度為rij，得出第i 個護理敏感性病人結局ui的單因素評價集ri＝（ri1,ri2,…,rin）。如對m例病人進行護理綜合評價，用rij表示對第i 例病人第j指標的評價結果，（i＝1,2,…,m；j＝1,2,…,5），以Ri表示對第i 位病人專業性照護的評價向量，構建的單因素評價矩陣R 為：

2.1.3 單項護理方案模糊評價 通過已確定的權重和已構建的單因素模糊評價判斷矩陣建立單項護理方案綜合評價決策集B＝（b1,b2,…,b5）。以*為普通矩陣乘法算子符號，單項護理方案的評價公式如下：

同理得出其他護理方案的評價結果。根據最大隸屬度原則，據此得出每項護理方案的總體評價。

2.1.4 護理方案集模糊綜合評價 護理綜合評價的目的不僅是對病人結局進行綜合評價，更重要的是通過綜合評價最終選出專業性照護最優方案。因此，需對護理方案集的評價結果Wp進行綜合排序，選出最優者。以b 表示單項護理方案綜合評價決策集B＝（b1,b2,…,b5）,m 表示區間等級，在對應的指標評價標準V（I 級表示很差，Ⅱ級表示較差，Ⅲ級表示一般；Ⅳ表示較好，Ⅴ級表示很好）中，Vk表示護理方案模糊綜合評價集，bpk表示單項護理方案對應V 中等級Vk的隸屬度，Wp應用如下公式計算：

2.2 反向傳播神經網絡綜合評價

2.2.1 反向傳播神經網絡模型學習算法 反向傳播模型是由輸入層、隱含層和輸出層3 個層次構成的單向傳播的多層網絡，可有1 個或多個隱含層。本研究采用3 層反向傳播神經網絡模型[23]。以x1,x2,…,xn為輸入層的輸入值，經線性函數f(x)=X 轉換后，輸入層神經元輸出為y1,y2,…,yc，計算隱含層神經元與輸出層神經元實際輸出值Oj和Yk，公式如下：

式中，Netj表示隱含層神經元輸入值；j 為當前輸入樣本，Wij為輸入層神經元i 到隱含層神經元j 的連接權值，θj為隱含層神經元j 的閾值，隱含層神經元的轉換函數為S 型函數（公式14），Oj為隱含神經元j 的輸出值。Netk為輸出層的輸入值，Vkj為輸出神經元k 與隱含神經元j 之間的連接權值，δk為輸出神經元k 的閾值。

輸出層神經元的轉換函數為線性函數：f(x)=X，得到輸出層神經元的輸出值為Yk=netk。

2.2.2 調整連接權值和神經元閾值 反向傳播神經網絡自學習方向修正，對于樣本模式p，實際輸出Yk與期望輸出bp的誤差函數Ep參照公式（17），s 個樣本總的誤差參照公式（18）。E≤ε（ε＝0.000 1），則參照公式（18）～公式（22），從輸出層開始進行反方向權值系數和神經元閾值調整。

式中，t 為調整次數，α 為權值調整參數，β 為偏置值調整參數，Opi為輸入神經元i 的輸入值，Oj為隱含神經元j 的輸出值，σp=(bp－Yk)Yk(1－Yk)，σpj=Oj(1－Oj）σpVkj。

2.3 基于反向傳播神經網絡與模糊綜合評價集成的護理綜合評價 使用反向傳播神經網絡前，以模糊評價集作為神經網絡訓練的樣本模式，輸入指標隸屬度矩陣，期望輸出為模糊綜合評價結果，使反向傳播神經網絡的權值系數值經過自適應學習后得到正確的內部表示，網絡的所有實際輸出與理想輸出一致，形成基于反向傳播神經網絡與模糊綜合評價集成的護理綜合評價決策模型（改編自張煒[27]研究)，見圖1。

圖1 基于反向傳播神經網絡與模糊綜合評價集成的護理綜合評價決策流程圖

2.4 智能化護理綜合評價決策支持系統的設計

2.4.1 系統結構設計 本研究參照Bonczek 型決策支持系統框架結構[28]，以問題處理系統為決策支持系統核心部分，構建智能化護理綜合評價決策支持系統。系統框架結構由人機接口、問題處理系統、護理綜合評價決策指標體系管理子系統、綜合評價子系統、評價結果輸出子系統、神經網絡學習子系統與護理方案集模擬子系統組成。其中，護理綜合評價決策指標體系管理子系統由指標體系構建模塊、指標提取模塊、信息查詢模塊及數據庫模塊組成；綜合評價子系統由護理方案評價求解模塊的推理機、評價結果分析模塊、綜合調度管理模塊的知識庫、模型庫、樣本庫、方法庫及評價結果數據庫組成。智能化護理綜合評價決策支持系統框架結構（改編自王宗軍[25]研究)見圖2。

圖2 智能化護理綜合評價決策支持系統框架結構

2.4.2 系統功能分析

2.4.2.1 人機接口 人機接口是智能決策支持系統與用戶進行人機交互的窗口，用戶按系統可接受的方式將問題相關信息輸入至問題處理系統，系統按照用戶既定要求輸出相應評價結果，通過菜單驅動，用戶可直接進入所需功能模塊。

2.4.2.2 問題處理系統 問題處理系統中問題求解和分析過程如下：①根據決策者所要解決的護理問題，建立面向此護理問題的護理方案（護理評估→診斷→措施→敏感性結局）模塊序列；②組成護理方案各模塊內部結構，即護理評估→診斷→措施→目標相應的數據模塊和匹配文件，建立相應的規則連接并運行；③對得到的基于護理問題的護理方案進行綜合評價分析和排序。

2.4.2.3 護理綜合評價決策指標體系管理子系統 護理綜合評價決策指標體系管理子系統主要對系統運行所需的指標體系、指標原始數據、指標生成數據等進行管理。①指標體系構建模塊：用于對不同病人/護理方案的指標體系結構進行構建或修改。②指標提取模塊：用于提取或生成病人/護理方案中與指定護理敏感性病人結局對應的指標屬性值。③信息查詢模塊：對指定對象的信息進行索引查詢，并顯示查詢結果。④數據庫模塊：通過數據庫系統動態管理和存儲有關評價對象的原始及已形成的指標數據結果和文件。系統隨著問題的不同不斷變化，如庫內沒有所需數據，系統則會通過人機接口部件和自動推理機向用戶索要相應數據或信息資料。

2.4.2.4 綜合評價子系統 綜合評價子系統通過對基于模糊綜合評價和反向傳播神經網絡綜合集成的護理綜合評價決策模型進行調度，完成對指定護理方案的綜合評價。①護理方案評價求解模塊：負責對模糊綜合評價和反向傳播神經網絡模型進行調度。②評價結果分析模塊：引導用戶正確分析專業性照護綜合評價結果。③知識庫：知識管理部分主要是管理有關護理評估、護理診斷、護理措施及活動領域的專業知識，包括知識的獲取、表達、管理等功能。本研究知識庫由護理評估項庫、護理問題庫、護理措施庫、護理活動庫構成。④模型庫：針對用戶提出的問題，調出庫內的綜合評價模型，匹配基于問題的求解。模型庫具有動態構造、修改、應用和儲存庫內綜合評價模型的功能。⑤方法庫：儲存對評價指標進行權重賦值、量化隸屬函數標準方法和程序，支持綜合評價系統調度。⑥樣本庫：用于提取、維護、存儲及管理反向傳播神經網絡學習與訓練所需的樣本模式。⑦推理機：基于知識庫識別并解答專家評價形成樣本模式的問題。⑧評價結果數據庫：存儲系統運行時產生的評價、分析結果相關數據和文件。

2.4.2.5 神經網絡學習子系統 神經網絡學習子系統可以通過樣本模式“學習訓練”。

2.4.2.6 護理方案集模擬子系統 護理方案集模擬子系統是基于病人/護理方案，通過結局指標變量到病人結局的非線性映射，測定評價指標改變對護理方案綜合評價結果的影響，為實施高級護理程序提供決策支持。

3 系統構建的意義

3.1 構建智能化護理決策支持系統可以提高護理質量 評價是決策的前提[22]，正確的護理決策源于科學的護理評價。護理評價問題的求解是在護理評估、診斷、措施、敏感性結局四維空間中進行的，包含大量定性與定量因素及多層次、多目標的復雜系統過程[29]。目前，臨床護理評價（護理評估→診斷→措施→敏感性結局）主要采取經驗式人工評價的方式，很難滿足復雜系統綜合評價要求，且具有較大主觀性。此外，不同護理人員專業核心能力差異、評價指標及評價標準不統一，往往導致過度護理或護理不足。因此，本研究以實際需求為立足點，在系統文獻分析、決策支持理論指導及綜合評價理論深入研究的基礎上，創新性地將模糊綜合評價模型及反向傳播神經網絡模型組合引入護理綜合評價決策過程，并通過運用先進的計算機信息處理技術構建對護理綜合評價決策全過程進行支持的智能系統，具有一定的理論和現實意義。

多項研究證明了構建臨床決策支持系統的重要性[30]。但臨床決策支持系統不會取代護士的批判性思維。系統根據護士輸入的病人數據和信息提供建議，護士選擇接受或拒絕系統建議。通過“詢問”，確認系統建議的評估、護理診斷及最佳干預措施，可以促進護士評判性思維[31]。同時，臨床決策支持系統可以增加護士實施基于循證的高級護理程序（護理評估→診斷→個體化干預→結果指標）的依從性[6]。已有研究表明，高級護理程序有利于提高護士護理診斷、個體化干預的準確性，進而改善病人預后[32]。

3.2 構建智能化護理決策支持系統可以為大數據研究提供機遇 大數據研究表明，數據交互是未來進行薈萃比較分析的關鍵。Dagliati[33]基于電子病歷及醫院信息系統對2 型糖尿病病人進行縱向研究，通過異構系統間數據集成、挖掘技術，構建2 型糖尿病風險預測模型用于并發癥及代謝控制管理，該研究將2 型糖尿病風險預測模型引入臨床決策支持系統，系統針對醫護人員的特定需求，提出了2 種解決方案，為個性化治療與護理提供了決策支持。如何將智能護理決策支持系統與異構系統數據采集、整合及處理相結合，實施精準護理評估、診斷、干預，改善病人結局將成為未來的研究方向[34-35]。

3.3 構建智能化護理決策支持系統可以指引電子病歷發展 基于標準化護理語言的智能護理決策支持系統的應用促進了電子病歷的發展，有利于實現病人數據信息共享，保障連續性、個性化的護理質量。護理程序-臨床決策支持系統對于可操作的系統數據、信息及大數據研究的集成整合至關重要。電子病歷護理決策支持系統國際標準建議在電子病歷中進行高級護理程序－臨床決策支持系統測試和應用[6]。

4 小結

護理評價決策問題的求解（護理評估→診斷→干預→評價）是一個涉及多因素、多指標、多層次的復雜系統過程。本研究深入分析了模糊綜合評價及反向傳播神經網絡綜合評價原理，基于標準化護理語言的護理結局分類，構建了基于反向傳播神經網絡與模糊綜合評價集成的護理綜合評價決策模型。在該模型基礎上，運用決策支持理論，參照Bonczek 型決策支持系統框架結構，以問題處理系統為核心，研究設計了集專家系統、數據、模型、知識及方法于一體的智能化護理綜合評價決策支持系統。智能化護理決策支持系統在我國護理信息領域尚處于起步階段，本研究也僅進行了初步探索，今后將進一步深入研究，系列報告系統實現、應用、改進成果。