機器學習法在護理不良事件管理中的應用研究進展

宋佳雪，吳 英，彭 程，彭 倩，莫慧穎，吳容嬋

1.中南大學湘雅護理學院，湖南 410000；2.中南大學湘雅醫院

病人安全是醫療衛生領域的一項戰略優先事項，其核心是醫院不良事件的預防。在高收入國家，有10%的病人在醫院治療期間經歷過不良事件[1]。護理不良事件作為常見的醫院傷害之一，是指在常規治療護理過程中發生的，可能會導致病人受到傷害、延長住院治療時間的意外護理事件，包括壓力性損傷、非計劃性拔管、跌倒、走失、用藥錯誤等[2-3]。護理不良事件的發生不僅對病人生命質量造成威脅，還增加了額外的醫療成本[4]。研究顯示，約50%的護理不良事件具有可預防性[5]。為了加強護理不良事件閉環化管理，多數醫療機構建立了護理質量信息化管理平臺，但平臺大多僅專注于不良事件的上報和統計，依然存在預警不準、漏報不報、整改有效率低等問題[6]。隨著醫療大數據爆發式增長，人工智能已經進入賦能醫療健康階段[7]。機器學習法作為人工智能領域中的重要技術，助力于智慧醫療發展，將其應用于護理不良事件管理中可以促進不良事件精準化識別與智能分析，實現自動化質控，有望彌補當前不良事件管理中的缺陷，提高工作效率。本研究對機器學習法在護理不良事件預測、監測、評估和原因分析等方面的研究進行綜述，旨在提高我國護理人員對機器學習算法的認知，為制定依托信息技術的不良事件智能化管理策略提供依據。

1 護理領域常用的機器學習算法

機器學習是一門通過學習數據中的復雜模式，利用算法建模，并通過迭代訓練逐步改善性能的科學學科，經常出現在統計學與計算機科學的交叉領域[8]。目前，在護理領域，應用較多的算法有邏輯回歸算法（Logistic regression，LR）、決策樹算法（decision trees）、隨機森林算法（random forests）、支持向量機算法（support vector machines，SVM）、人工神經網絡算法（artificial neural network，ANN）等。

1.1 邏輯回歸算法

邏輯回歸算法用于研究多個自變量對二分類因變量的影響，是醫學領域應用最廣泛的統計模型之一[9]。如有研究采用Lasso 回歸與Logistic 回歸分析相結合的方法，納入年齡≥60 歲、功能障礙、聯合服用特殊藥物、無陪護人員、低血鈣5 個自變量構建跌倒傷害預測模型[10]。模型可以直接看出各個特征的權重，易于理解，幫助醫護人員快速識別某事件發生的高風險人群，適用于處理二分類問題。

1.2 決策樹

決策樹主要用于解決分類問題，是一個倒置的樹狀模型，由根節點、內部節點和葉子節點組成[11-12]。通過由根至葉的遞歸過程對數據進行分類，葉子節點即分類結果，形成一個決策樹分類模型，每條由根節點至葉子節點的路徑是一條分類規則。如根據住院時長（根節點）、傷口敷料感染情況、疾病診斷、住院費用等（內部節點）篩選護理機構中壓力性損傷的高危老年病人（葉節點）[13]。模型建立的核心問題在于如何確定樹的大小和深度，即選擇分裂屬性及剪枝策略。決策樹結構簡單，可解釋性強，能夠幫助醫護人員從樹狀結構中識別出研究對象的風險指標，適于對算法背景了解較少的護理人員運用。

1.3 隨機森林算法

隨機森林算法是一種基于決策樹的集成分類模型，利用多個彼此獨立的樹學習器進行分類預測和回歸預測[14]。其原理是先使用Bootstrap 方法從樣本集中抽取訓練集，然后在每個訓練集上訓練出一個決策樹模型，所有樹分類器投票次數最多的類別為最終的輸出結果。隨機森林解決了決策樹算法泛化能力弱的問題，準確性高，且能在大型數據集中高效運行。

1.4 SVM

SVM 是機器學習中常見的分類器，是將數據通過內積函數進行非線性特征映射變換到高維空間，在這個新空間內求取最優分類平面的過程，要求所取平面能在保證分類精度的同時保持兩側的空白區域最大化，在處理小樣本、高維非線性數據中具有一定優勢[15]，可用于壓力性損傷預測模型、跌倒檢測系統開發等方面[16-17]。

1.5 ANN

ANN 是一種模擬人腦神經系統運行方式處理信息的算法[18]。模型包括3 層，由大量節點（神經元）通過“突觸”（數學上稱為權重）相互連接構成[19]，每層可有多個節點，每個節點都連接到前一層的節點上，但同一層的節點沒有連接。第1 層稱為輸入層，用于接收信號，此層節點相當于回歸模型中的自變量；第2 層稱為隱藏層，通過調節神經元間連接權重獲得最佳值[20]，隱藏層節點數目決定了模型的預測精度；第3 層為輸出層，生成最后的結果，輸出節點即回歸模型中的因變量[21]。傳統統計方法（如線性回歸）只涉及1 個輸入層-輸出層，相比之下，ANN 在處理自變量間的交互作用、復雜模式的識別和分類任務中有顯著優勢，且不用考慮共線性，適合復雜臨床情景的建模設計[22]。

2 機器學習法在不良事件風險預測中的應用

2.1 壓力性損傷

壓力性損傷是住院病人最常見的不良事件之一，在全球成人住院病人中發生率達12.8%[23]。國內外已有多位學者采用不同的機器學習方法開展了壓力性損傷預測方面的研究，如Cox 等[24]從重癥監護醫學信息數據庫Ⅲ（MIMIC-Ⅲ）中提取了1 460 例病人數據，通過建立決策樹預測模型，得到了9 條不同的壓力性損傷風險分類規則，為護理人員采取優先、針對性的預防措施提供了依據。Nakagami 等[25]利用電子健康記錄（EHR）構建了重癥病人壓力性損傷預測模型，結果表明模型受試者工作特征曲線下面積（AUC）為0.78～0.82，并且解決了因壓力性損傷樣本例數較少造成的數據類別不平衡問題。Song 等[26]采用邏輯回歸算法、SVM、隨機森林算法和ANN 構建壓力性損傷預測模型，發現格拉斯哥昏迷量表評分、意識狀態是院內壓力性損傷發生最重要的風險因素，且隨機森林模型的預測性能最好。國內機器學習預測研究開展較國外稍晚，曲超然[27]通過決策樹模型、隨機森林模型、樸素貝葉斯3 種機器學習算法建立了適合成人心血管疾病病人術中壓力性損傷的預測模型，結果表明3 種模型都具有較好的預測效果，其中隨機森林模型表現最好，準確率達90.91%。楊亞平等[28]通過決策樹篩選出3 類急診壓力性損傷高危人群，按照風險值大小排序依次為完全不能獨立、存在大/小便失禁、年齡＞80 歲且水腫程度屬于二級及以上，便于急診護士依據樹形圖規則快速識別壓力性損傷風險人群。Xu 等[29]采用多種機器學習算法開發了壓力性損傷列線圖預測模型，提高了模型的預測能力，與Braden 評分量表相比，模型使用的臨床參數可及性更高，有利于優化護理資源配置[30]。機器學習預測模型能改善風險量化，具有更高的敏感性和特異性，可以為護理人員提供有效的壓力性損傷護理決策支持。另外，基于樹分類的機器學習模型在上述研究中表現較好，更適于住院病人壓力性損傷預測場景的應用。

2.2 非計劃拔管（UEX）

UEX 是指留置管道意外脫落（包括醫護人員操作引起）或病人未經醫護人員同意自行拔管[31]，是影響病人安全和護理質量的重要因素，可能致使病人血流動力學并發癥增加、機械通氣時間延長甚至危及生命[32]。建立可靠的風險評估流程是提升管路安全的首要措施，但目前國內缺少統一的UEX 風險評估量表，UEX受多種因素交互作用影響，已有學者利用機器學習算法提煉UEX 風險因素，構建臨床預測模型，應用效果顯著。Hur 等[33]將6 914 例ICU 置管病人納入研究，采用多種算法開發了重癥病人UEX 預測模型，發現高齡、Richmond 躁動-鎮靜評分（RASS）高、身體約束不合格的病人非計劃性拔管率較高。結果表明將模型嵌入電子病歷系統可以動態評估UEX 風險，能夠在可能的拔管事件發生前60 min 預警醫護人員采取措施，最大限度地減少病人傷害。國內基于機器學習算法進行數據挖掘的應用較多，趙秀芬等[34]利用Apriori 算法對210 例鼻腸管UEX 病人進行分析，得出了鼻腸管UEX風險因素之間的關聯規則，并就插管期間管理的薄弱環節采取防范措施，住院病人鼻腸管非計劃性拔管率明顯下降。沈鳴雁等[35]采用Apriori 算法進行數據挖掘，結合專家分析得出了與UEX 相關的13 對強關聯規則，進一步為國內UEX 預警模型的開發提供了依據。綜上所述，今后護理人員在管道風險管理中，可以充分發揮機器學習法從數據中獲取信息的優勢，及時識別工作中的薄弱環節，防范UEX 事件發生。

2.3 跌倒

跌倒是醫院風險管理優先事項，不僅會增加病人的疾病負擔，還可能引起不必要的醫療糾紛。因此，對住院病人跌倒風險因素及預防策略的研究在跌倒管理中非常重要。近年來，利用人工智能技術預防跌倒已逐步成為現實，機器學習則可用于跌倒前的預測模型構建[36]。Lindberg 等[37]采用了決策樹及其3 種集成算法（隨機森林算法、Bagging 算法、Boosting 算法）對38個潛在風險變量進行分析，得到了跌倒風險最重要的特征從高到低依次為跌倒史、年齡、Morse 跌倒風險評分、步態質量、科室類別、精神狀態和使用高跌倒風險藥物（FRIDs）的數量，4 種模型能夠準確識別跌倒病人的相關風險因素，且優于Morse 跌倒風險評分的預測能力。Liu 等[38]應用多種機器學習算法構建模型，該模型適用于預測不同時間點的病人跌倒風險，包括病人入院時、入院24 h、臨床變量值最大時、臨近跌倒事件發生時，結果表明模型可以對整個住院過程進行連續監測，且集成分類器模型預測性能表現優于單一分類器。Kawazoe 等[39]使用BERT 算法和Bi-LSTM 算法開發了一個基于電子健康記錄的跌倒預測模型，并且估算出若及時采取干預措施，每天的住院費用可以節省6.5 美元。此外，機器學習還能用于進一步量化跌倒嚴重程度，如Wang 等[40]從METEOR 臨床數據庫中提取了1 692 例病人的人口統計學特征、診斷、骨密度測量數據等信息，開發并驗證了一種多視圖集成分類學習模型，可用于跌倒風險評估后具體預測跌倒的嚴重程度，能夠識別出跌倒危害較高的病人，提示護理人員分級管理。

目前，國內臨床護理人員多依賴量表和主觀經驗在病人住院期間進行定期評估，篩查不良事件高危人群。在量表應用時，顯現出部分指標主觀性較強致評分者間信度偏低等問題，并未有效降低護理不良事件發生率[41-43]。同時，病人住院期間發生病情變化時往往需要護士復評風險，增加了護士的日常工作量。機器學習可以自動提取病程中新出現的潛在危險因素，將其納入預測模型識別高風險病人，提高不良事件預警的準確率，優化病人護理。但必須注意的是，當前大多數基于機器學習算法的預測模型缺乏外部驗證，模型泛化能力未知，這將是未來研究中的重要方向。

3 機器學習法在不良事件監測中的應用

機器學習在圖像數據處理方面的發展為不良事件監測提供了新的方法路徑，當前已有的研究主要集中在院內跌倒監測系統開發上。國內外學者多將機器學習與可穿戴傳感技術、視頻傳感技術相結合開展自動跌倒檢測研究。前者通常由病人佩戴的傳感器采集角速度、加速度等數據結合機器學習算法以區分日常生活活動和跌倒事件[44]。研究使用的算法多為深度學習算法，如Yu 等[45]開發了一種基于卷積神經網絡（CNN）和長短期記憶神經網絡（LSTM）的集成算法模型（ConvLSTM），用于執行人體站立、跌倒過程、撞擊地面時3 個階段的分類判別，五重交叉驗證表明，ConvLSTM 模型對3 個階段具有較高的靈敏度（＞93%）和特異度（＞94%），均高于CNN 和LSTM 模型，可以實時監測跌倒事件。今后若能在跌倒瞬時觸發可穿戴式安全氣囊，在很大程度上能減少與跌倒相關的傷害。有研究利用醫院視頻監控技術監測病人圖像，通過提取圖像中人體主要關節點構建骨架模型，根據病人寬高比、下肢與地面夾角等特征使用算法模型識別人體姿態，以判斷病人是否跌倒[46]。金瑋等[47]應用醫院監控視頻獲取實時數據，基于CNN 算法提出了一種人體姿態識別方法，自動檢測院內跌倒事件的發生，準確度為99.75%，靈敏度為100%，特異度為99.68%。基于機器學習的跌倒實時監測系統常用的步驟包括使用傳感技術收集數據、特征提取、構建算法模型、跌倒檢測。相比而言，基于可穿戴傳感技術的跌倒檢測設備體積小、不受環境物理因素影響，但易受活動干擾，誤報率較高；采用視頻監控技術成本較低，更適于醫院工作中護理人員工作量大、人手短缺的現狀。未來可結合多模態傳感器開發更穩健的院內跌倒監測系統，在開發時還需要考慮在采集監控圖像時保障病人隱私的問題。

4 機器學習法在不良事件評估中的應用

壓力性損傷發生后，最首要的措施即評估壓力性損傷分期，給予相應的局部傷口護理。壓力性損傷創面管理往往包括多重異構數據，機器學習可以利用算法分析病歷中的相關臨床記錄，將壓力性損傷創面圖像數據化以實現自動、高效、非侵入性的壓力性損傷創面評估，避免護士主觀評估引起的誤差以及侵入性評估傷害。Silva 等[48]提出了一種基于SVM 和Grab cut圖像分割相結合的算法模型，通過超像素分割、特征提取、數據準備、創面識別、分割5 個步驟實現了潰瘍區域的自動識別，并且可以準確測量創面面積，平均準確率達96%。但該研究中沒有將模型用于組織分類，無法監測創面愈合過程。Chang 等[49]將多種深度學習算法模型結合，創建了壓力性損傷診斷系統，能夠結合圖像分析結果和臨床數據對創面進行自動診斷，提供多方面的診療建議，通過檢測再生上皮化信號（re-ep）評估創面愈合征象；進行組織分類以評估肉芽組織占比，評估創面愈合進展；使用圖像投影估計傷口大小；根據感染、壞死組織的分割結果以及實驗指標提供是否需要手術清創的輔助決策，診斷模型準確率達到99%。由此可見，基于機器學習算法的壓力性損傷管理能夠幫助臨床護理人員對創面進行準確分析、動態評估，防止發展成慢性難愈性創面，提高其治愈率。

5 機器學習法在不良事件原因分析中的應用

從病人安全事件報告中學習，對事件進行追溯分析，探討其發生原因及改進措施，是減少不良事件發生率、持續改善醫療護理質量的關鍵。當前，國內各醫療機構未形成統一、規范的護理不良事件上報系統，填報內容包含著大量描述事件發生過程的敘事性文本，缺乏合理、清晰的歸類處理[50]，基于原因分析理論模型開展審查，如Reason 模型[51]、SHEL 模型[52-53]等，得出不良事件的級別分布、時間、科室分布及相關因素，需要耗費大量的時間和精力，且審查標準不統一，易出現分析人工因素偏差的問題[54]。

在數據科學中，自然語言處理是使機器能夠理解、處理并解釋人類語言的技術，同屬人工智能領域。基于機器學習算法構建非結構文本中的自然語言處理模型[55]，發揮概念提取和關系識別等功能，可以為護理人員提供不良事件文本分析時的輔助工具。國內外關于此方面的報道還相對較少，宋杰等[56]使用自然語言處理法和人工標注法同時對1 599 例次壓力性損傷事件報告進行分析，將報告中的“事件主要表現”敘事性文本內容作為主要處理對象，以獲取報告中與壓力性損傷發生相關的因素；前者使用基于SVM 算法和條件隨機場算法的混合特征算法模型，后者由2 名經驗豐富的護理專家進行人工標注，結果顯示自然語言處理組的標注有效率（88.56%）高于人工標注組（63.77%），靈敏度達到87.19%，這意味著僅靠專家分析可能會遺漏部分風險因素。同時需要注意的是，在自然語言處理模型開發時，靈敏度和精度的調整難以統籌兼顧，假陽性事件可能會因此增加，需要額外的人工確認工作量[57]。葛曉偉等[58]通過構建字符級文本詞匯表對文本數據向量化，使用CNN 算法提取文本特征，采用一對一支持向量機分類算法對提取的文本特征進行分類，構建了一種基于CNN-SVM 的護理不良事件文本分類模型，平均準確率達到78%，能夠對不良事件進行有效分類。將機器學習算法運用于不良事件原因分析，有助于護理人員識別易被忽略的風險因素，預測二次事件發生，并且有助于今后管理人員構建不良事件填報時的標準語料規則庫，形成統一的護理不良事件分類上報系統。

6 啟示

6.1 優勢

在護理不良事件管理中,機器學習法提高了預測模型的敏感性和特異性，增強了風險識別能力。目前，國內護理風險相關預測模型的構建多基于傳統Logistic回歸與Cox 回歸，經過單因素、多因素分析后納入有統計學意義的變量。但在篩選變量的過程中很容易排除掉某些有潛在臨床意義的變量，因此無法充分利用病歷系統中的真實臨床數據[59]。機器學習算法則無須對變量間的相關性提出先驗假設，而是使用算法對所有可用數據進行分析，得出變量間的規律[60]。同時，基于機器學習和自然語言處理技術融合的方法能夠從大量的非結構化記錄（如入院記錄、護理記錄等）中挖掘數據形成預測模型，推動不良事件管理模式向“事前預防”轉型。機器學習和射頻識別、信息傳感等物聯網技術的連接提升了數據感知能力和病人信息的采集效率[61]，可用于實時監測高風險水平的病人狀況，輔助護理決策以最大程度規避安全事件的發生，同時傳感設備的應用減輕了臨床護士的工作負荷。壓力性損傷事件發生后，借助基于深度學習算法的圖像處理技術有利于護士準確判斷、評估傷口，開展后續的傷口護理計劃。機器學習的運用為不良事件“事中管理”提供更高效的方法。另外，國內各醫療機構完善了不良事件上報功能，人工審查報告內容時面臨著耗時耗力、人為因素多等問題，護理管理人員可以利用機器學習處理自然語言任務的能力，智能化提取報告中的有效信息，實現不良事件出現后的“事后分析”。

6.2 局限性

機器學習也同樣存在不足，在使用傳統的邏輯、線性回歸進行數據分析時，人們可以參考模型系數解釋模型及其預測結果。而機器學習性能的提升會伴隨著模型復雜性的增加[62]，多存在模型決策過程不透明、結果缺乏可解釋性等情況，即“黑盒效應”[63]。由于模型給出的判斷會對病人進一步的治療造成明顯影響，可解釋性缺乏會降低醫護人員對模型的信任，阻礙模型轉化應用于臨床的進程，仍然是機器學習面臨的重要挑戰。國內研究應用場景多為重癥監護室，可能是因為重癥監護室能更頻繁地實時傳感數據，可用數據較多。機器學習算法受大量臨床數據驅動，對數據集的要求較高，尤其是深度學習算法，需要從大量樣本中提取特征訓練模型，以避免過擬合的發生，很難用于罕見類疾病/癥狀的模型構建中[64]，且國內醫療系統數據存儲環節存在數據割裂的問題，如何實現臨床大量數據跨系統融合需要進一步探索。

7 展望

機器學習法已在護理不良事件管理中取得了一定成效，雖存在一定的局限性，但極大地提高了醫療保健服務水平與效能，不僅能助力不良事件精準預測、保障病人安全，還可以促進不良事件轉向數據化管理。在未來的研究中，如何建立外部效度可靠的預測模型，并將這種不良事件智能管理系統嵌入到電子病歷系統中是主要方向。建議開展研究探討護理人員對現有基于機器學習技術的應用看法，以了解人工智能技術對護理質量的潛在影響；建議將護理人員納入智慧醫療項目的設計、研發過程中，重視護理人員的實踐角色，加強“護理學-工程科學”的跨學科聯系，真正實現適于醫院場景的智慧護理技術的運用。