人工智能在壓力性損傷中應用的研究進展

雷常彬，劉珊珊，王 聰，蔣 艷*

1.四川大學華西護理學院/四川大學華西醫院循證護理中心，四川 610041；2.四川大學華西醫院/華西護理學院

壓力性損傷（pressure injury，PI）是長期臥床病人常見的并發癥，損傷程度包括壓之不褪色的皮膚泛紅至全層皮組織缺失，是全球醫療機構共同面臨的難題[1]。壓力性損傷的發生發展與護理管理質量息息相關，但近年來，壓力性損傷發生率始終居高不下，在國外的發生率為5.0%～23.1%，我國的發生率可高達62.5%，不僅給病人帶來疼痛、感染風險和醫療支出增加等負面影響，亦給社會帶來沉重的負擔[2-6]。有效管理是降低壓力性損傷發生率、加速傷口愈合、減少住院支出的重要舉措。護士是管理的主力軍，然而臨床仍存在護士對壓力性損傷風險評估與已患壓力性損傷信息上報不及時、相關護理和治療措施知曉率和執行率低等問題，導致壓力性損傷得不到有效管理[7-8]。為加強管理，醫療機構引進了不良事件管控平臺來完善信息化建設[9]。信息化平臺的使用和發展催生了數量龐大、結構復雜的數據，基于人工智能（artificial intelligence，AI）對其進行收集和再利用已成為研究熱點[10]。隨著國內外研究者對壓力性損傷領域縱深研究的不斷增加，相關研究由識別危險因素、構建非智能化管理流程、護理人員評估缺陷析因，延伸至基于建立的醫院信息化壓力性損傷防護體系和智能評估診斷系統。對人工智能+壓力性損傷相關研究進行討論不僅有助于醫護人員快速了解本領域的研究動態，還能提供開展壓力性損傷研究的理論依據。因此，現對人工智能+壓力性損傷研究現狀進行綜述，整理和總結當前研究進展，力求為醫護人員進一步加強壓力性損傷信息化和智能化管理提供參考。

1 人工智能對壓力性損傷研究的必要性

病人資料、診療記錄、護理記錄、創面圖像等在內的文本和圖像數據不僅能提示壓力性損傷的發生發展狀況，提醒護士進行干預，還能反映醫院護理質量的高低，但是對壓力性損傷數據的有效收集和再利用仍然是護士面臨的一大難題。一方面，大量的壓力性損傷文本數據使異構性和跨域關聯性的特征不斷遞增，導致出現數據部分提取或無法提取、指標部分呈現等問題，這極大地影響了護理記錄的連續性和可靠性[11]。另一方面，壓力性損傷圖像雖可直接反映創面進展情況，但因其數據特征較文本數據復雜，導致現有數據捕捉及分析方法無法有效應用圖像數據，使創面評估仍然依靠手工測量和經驗診斷，導致感染風險和護士工作量顯著增加[12]。眾多研究顯示，能夠幫助解決以上問題的方法就是人工智能[13]。人工智能可利用大量的數據樣本自動提取高級特征并通過更有效地組合低級輸入來學習分層表示。其研究范疇包括機器學習（machine learning，ML）、深度學習（deep learning，DL）、專家系統（expert system，ES）、自然語言處理（natural language processing，NLP）等[14-15]。國內外學者利用人工智能相關技術，自動獲取壓力性損傷診療記錄中的縱向信息，挖掘壓力性損傷結構化文本數據，分析壓力性損傷發展進程與相關影響因素的關系，建立預測模型；還將人工智能與已有的信息系統進行功能整合，提示護士進行護理干預，規范護理流程；利用機器學習和深度學習強大的圖像解析能力，實現壓力性損傷創面圖像的分割、組織分類與面積測量，輔助醫護人員進行臨床決策[16-17]。

2 人工智能在壓力性損傷管理中的應用現狀

2.1 風險預測模型 由于大部分壓力性損傷可預防且預防支出顯著低于治療支出，因此壓力性損傷預防重于治療已成為全球共識[18]。近年來，眾多學者利用機器學習和深度學習構建壓力性損傷風險預測模型，通過數據挖掘，找出壓力性損傷高危因素，實現壓力性損傷早期預防，其預測準確性高于單獨使用壓力性損傷風險評估量表[19-20]。張倩瑩等[21]使用多層全連接神經網絡，根據收集到的474 例病人數據（數據包括術前壓力性損傷風險評估、實施的護理措施、手術過程和術后壓力性損傷狀況評估）預測病人術后發生壓力性損傷可能性，從而為術前護理提供參考。楊青等[22]收集611 例被評估為壓力性損傷高風險的腫瘤病人資料，將是否發生難免性壓力性損傷作為因變量，年齡、性別、Braden 評分、難免性壓力性損傷風險因素（高度水腫、惡病質、二便失禁、強迫體位等)作為自變量，利用決策樹模型構建難免性壓力性損傷風險預測模型，該模型共構建6 條分類規則，篩選出4 類高危壓力性損傷人群，模型的受試者工作特征（ROC）曲線下面積(AUC)、靈敏度、特異度均優于單獨使用Braden 評分。Alderden 等[23]用隨機森林算法構建重癥監護室（ICU）病人壓力性損傷風險預測模型，發現血紅蛋白水平、肌酐水平、體質指數、手術時間和年齡為ICU 病人發生壓力性損傷的影響因素，其中手術時間是影響壓力性損傷發生的最主要因素。宋杰[24]通過決策樹、隨機森林、支持向量機、人工神經網絡分別構建預測模型,結果表明4 種模型都有較好的預測效果，橫向對比發現隨機森林模型的效果優于其他3 種模型,模型準確率、召回率、精確率均高于99%。

總的來說，壓力性損傷預測模型的預測性能和適用性整體較好,可將其應用于臨床實踐,提醒護士對病人進行個性化干預。但研究結果同時也提示醫護人員與壓力性損傷發生直接相關的影響因素多不可干預,因此護士將預測模型應用于臨床工作時,應結合壓力性損傷高危人群的特點，及時優化并持續校準預測模型。此外，大部分基于最大似然估計的預測模型缺乏外部驗證，其研究結果在不同群體的適用性存在較大的局限，未來可針對已構建的預測模型進行外部驗證，將極大地提高其應用價值。

2.2 臨床決策支持系統 在壓力性損傷管理工作中，護士需將病人病情與護理常規、工作流程匹配后做出決策，但病人數量與病情的復雜性的增加、護理新技術的實施等因素極大影響了臨床決策的準確性和連續性。臨床決策支持系統（clinical decision support system,CDSS）指基于人機交互的醫療信息技術應用系統，旨在為醫生和其他衛生從業人員提供臨床決策支持，包括知識庫和非知識庫兩種類型[25]。

知識庫CDSS 的建立常基于專家系統，使用已被驗證的知識（如指南、風險計算器、原始研究等）來建立路徑，從而制定個體化的推薦決策。大部分知識庫CDSS 包含人機交互界面、知識庫、推理機3 個部分，用戶通過人機界面輸入病人相關信息，推理機輸入的信息與知識庫中各個規則的條件進行匹配，并把被匹配規則的結論存放到綜合數據庫中，最后將最終結論呈現給用戶。Dowding 等將CDSS 嵌入護理病歷系統，形成了包括計算機化的醫囑輸入、護理文檔、風險評估工具為主 CDSS，結果發現可提高住院病人壓力性損傷風險評估率與降 13% 院內獲得性壓力性損傷發生率[26]。劉佩[27]組建多學科團隊，搜集循證證據，利用該院壓力性損傷管理系統，設計壓力性損傷風險預警評估系統和報告系統，對病人進行評估后會顯示風險等級，并自動生成循證護理干預措施。護士長根據壓力性損傷相關描述、護理措施及落實情況,確定是否進行護理會診后提交。夏冬云等[28]基于壓力性損傷領域知識庫和護理文書數據庫，整合領域內先進的理論知識和數據，通過人機交互，智能判斷病人存在壓力性損傷風險，匹配所對應的預防及護理措施生成護理任務。

非知識庫CDSS 往往基于機器學習，通過大量的數據和算法來訓練模型。Cho 等[29]將貝葉斯網絡模型與該院正在使用的壓力性損傷管理的應用程序、電子健康記錄系統相鏈接，使壓力性損傷預測功能嵌入壓力性損傷管理系統，并對866 例ICU 病人進行干預，結果顯示與未使用CDSS 時相比，醫院獲得性壓力性損傷的患病率從21%下降到4%。Kim 等[30]研發了預防和護理皮膚及口腔黏膜壓力性損傷的CDSS，該CDSS 采 用 臨 床 流（clinical stream）和 認 知-行 為 流（cognitive-behavioral stream）的設計理念，利用機器學習算法學習病人相關數據，在臨床流中，根據編碼的臨床知識對病人數據進行解釋并得出相關結論，用戶決定做什么，而這些臨床建議會影響認知-行為流；在認知-行為流中，根據編碼的認知行為知識對用戶數據解釋并得出結論，用戶可得到壓力性損傷的分期診斷和干預建議。結果顯示，試驗組護士壓力性損傷預防及護理表現水平和口腔黏膜壓力性損傷的分期能力優于對照組，并且交互式的設計理念使護士壓力性損傷執行性得分也有所提高。

目前，國內主要構建以電子病歷等醫院信息系統數據作為資料來源，以循證證據（知識庫）作為決策依據，這種知識庫CDSS 的雖然通過人機交互的方式也能實現預警提示、措施提醒等功能，但因較少采用人工智能技術，因此不能高效地捕捉新發數據，所有信息的采集、編譯、整理及規則均需人工完成，維護成本高昂，且存在信息更新時效性不強的問題[31-33]。

2.3 創面分析 對壓力性損傷創面面積、深度以及創面組織類型進行準確診斷和評估能幫助護理人員更加客觀評估壓力性損傷分期以及選擇治療方式[34]。傳統評估方式高度依賴護士個人知識儲備和工作經驗，不僅增加了工作量，且測量過程可能給病人帶來痛苦，結果可靠性也參差不齊。常旭等[35]利用卷積神經網絡設計研發了難愈性創面人工智能輔助系統（HAIMed），將HAIMed 與透明膜勾邊法的創面測量結果進行比較，顯示差異無統計學意義，說明HAIMed 系統可靠性高。該系統不僅能測量創面面積，還可實現儲存圖像、對比評估、病人管理的功能，實現難愈性創面管理一體化。Veredas 等[36]提出了一種基于人工神經網絡和貝葉斯分類器的傷口圖像自動組織分類系統，使用平均移動和區域生長技術來分割潰瘍的區域。將顏色和紋理特征提供給一組k個多層感知器和貝葉斯分類器，對潰瘍圖像中不同類型的組織進行分類，準確率達到91.5%。Begona 等[37]利用3D 卷積神經網絡對壓力性損傷創面組織進行分割與分類，在對193 張彩色壓力性損傷圖像進行了訓練和測試后，分割結果顯示Dice相似系數（DSC）為92%，AUC 為95%。創面分割后，還可提取3 種不同的潰瘍組織，即肉芽形成（紅色）、壞死的焦痂（黑色）和腐肉（黃色）組織。創面評估還可為壓力性損傷愈合過程提供依據，Filko 等[38]使用一種用于創面分析和處理的 APP。輸入壓力性損傷圖像后,用戶手動對其分割,然后系統使用統計模式識別算法和創面測量,對組織進行分類和愈合評估。Noguchi等[39]通過細胞分子學圖像處理技術與k-均值聚類或支持向量機分類算法相結合，可提取傷口的紋理特征并分析，進而顯示傷口愈合過程中發生的細微變化。

人工智能+傷口測量技術有助于醫護人員監測壓力性損傷的發展和愈合過程。但是，這些傷口也表示著病人已經發生壓力性損傷，這是醫護人員不愿意看到的結果。因此，未來的研究需要優化技術，以便可以通過濕度、溫度等，能在早期階段評估壓力性損傷，而不僅僅是依靠圖像。人工智能在壓力性損傷中的應用現狀總結見圖1。

圖1 人工智能在壓力性損傷方面的應用

3 問題與展望

3.1 壓力性損傷圖像數量和質量難以保證 壓力性損傷數據數量和質量直接影響研究結果。有別于眼科疾患、阿爾茨海默病等疾病有獨立的開源圖像數據庫，目前國內外尚未建立標準且擁有大量壓力性損傷圖像的數據庫[40-41]。原因可能在于壓力性損傷圖像屬于光學三原色（RGB）圖像，對其采集的設備包括各種手機、數碼相機、平板電腦等，不同設備參數不一使壓力性損傷圖像同質化難以保證，且拍攝過程還受環境、病人體位以及拍攝者偏好等因素的影響，也難以保證圖像質量。國內外研究者使用的壓力性損傷圖像大多來自科室既往的壓力性損傷圖像和網頁檢索結果，圖像之間存在巨大差異，直接影響人工智能學習效果[42]。對此，我國可建立專門的壓力性損傷甚至是多種類型傷口的數據庫，制定統一的拍攝標準和流程，盡可能還原傷口本來的色彩和大小，以便后續研究的開展。

3.2 護士知識水平提升效果不足 護士是壓力性損傷管理的直接參與者，但一項Meta 結果顯示，將CDSS 整合到工作流程中后，沒有發現其對護士相關知識的顯著影響[43]。也有研究表明，護士在使用人工智能管理壓力性損傷時，并沒有基于循證的知識，仍嚴重依賴個人與同行交流所得的經驗[44]。這說明人工智能+壓力性損傷在促進護士能力發展的作用仍然有限。因此，有必要開展人工智能對護士影響的高質量質性研究和量性研究，充分了解護士對人工智能產品的使用感受，以此來優化CDSS 及其他產品的性能。

3.3 壓力性損傷遠程項目開發少 近年來，國家不斷提倡全民健康服務和延續性護理的理念，遠程醫療逐漸引起重視。但與國外相比，國內人工智能+壓力性損傷的研究主要圍繞院內壓力性損傷的防治，尚未深入探討人工智能+壓力性損傷在遠程護理服務中的應用現狀。其原因可能是人們還未充分認識對遠程醫療對于壓力性損傷防治的重要性。國外研究者利用支持向量機算法開發了壓力性損傷遠程醫療自動診斷系統，該系統與遠程醫療設備結合，可獲取數據并分析壓力性損傷各分期的演變，不僅提高了壓力性損傷管理效率，還幫助護士解決了異地診療的困難[45]，由此可見，遠程醫療是實現院外壓力性損傷的有效管理的重要舉措。今后可嘗試將人工智能直接應用于醫院-社區-家庭的三級壓力性損傷管理模式中，遠程指導照護者居家進行傷口護理。

4 小結

人工智能是壓力性損傷管理實現信息化、智能化的必要技術，人工智能+壓力性損傷在降低壓力性損傷發生率、促進創面愈合、減少醫療支出等方面發揮了重要作用。但人工智能在我國醫療領域的起步較晚，且大部分人工智能+醫學的研究由醫生主導，醫護之間對于人工智能的理解與應用存在鴻溝。今后，護士應積極融入人工智能的大環境，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。