深度學習在護理領域中的應用研究進展

吳 東，郭俊晨，諶永毅*

1.湖南中醫藥大學護理學院，湖南 410208；2.湖南省腫瘤醫院

《全國護理事業發展規劃（2021—2025 年）》明確提出，應充分利用云計算、人工智能（AI）等信息技術，為病人提供便捷高效的護理服務。目前，人工智能技術已在疾病預測與診斷、慢性疾病管理與護理、醫學影像識別等方面廣泛應用，其中深度學習（deep learning）是實現這個過程的重要技術。深度學習作為人工智能的分支，是以人腦的功能為基礎進行模擬、分析和學習的神經網絡，其具有強大的學習能力，擅長挖掘高維（即具有幾十到幾千個屬性）數據中的豐富結構。近年來，越來越多的學者開始關注并嘗試將深度學習相關技術應用在醫療領域中。本研究就深度學習在臨床護理工作、護理管理、護理教育、康復和慢性病管理等方面的應用進行綜述，旨在為我國醫護人員在臨床實踐中應用深度學習技術提供參考。

1 概述

1.1 深度學習的概念

深度學習即深度網絡學習,作為人工智能領域中一個新興的研究方向,其概念最早由多倫多大學的Geoffery Hinton 等于2006 年提出[1]，它是指一類算法的集合，通過模擬人腦的分層結構實現對輸入數據進行由低級到高級的特征提取，從而能夠解釋輸入數據[2]。深度學習將人類從構建模型的復雜活動中解放出來,并提供一種更優化、更智能的算法,能夠自動從海量數據庫中進行自我學習,自動調整規則參數并優化規則和模型,識別準確率高[3]。在醫療實踐中，深度學習常見的兩種模型架構主要為卷積類神經網絡和遞回類神經網絡[4]。

1.2 深度學習的發展歷程

深度學習的基礎是人工神經網絡，其發展迄今為止經歷了3 次浪潮，1943—1969 年為啟蒙階段，在此期間各種人工智能的概念被相繼提出；1974—2006 年為發展階段，具有代表性的技術，如反向傳播算法、循環神經網絡、卷積神經網絡等深度生成架構逐步成形；2006 年至今為爆發階段，深度學習在科學與技術的各個領域開始廣泛應用。研究表明，深度學習可協助醫護人員從大量的數據中構建各系統疾病的精準預測模型來提取最有利的參數，將煩瑣的數據轉化為通俗易懂的知識，對提升護理效率和服務質量具有重要意義[5-6]。2013 年有學者將深度學習帶入護理工作領域[7]，其在護理領域中被用于優化護理流程[8]、管理ICU 醫療耗材[9]、識別病人臨終偏好[10]以及改善安寧療護照護[11]等內容。自2018 年開始,在醫療領域中與深度學習相關的研究熱度急劇升溫[12]，其精準性、系統性、有效性已得到初步證實。

2 深度學習在護理領域中的應用

2.1 臨床護理

2.1.1 病情觀察

臨床病人病情瞬息萬變，為幫助護士及早發現病人的病情變化，國內外研究人員已構建多種病情預警評估工具，但這些工具都存在缺陷，如包含的生理指標有限、單一時點的評估缺乏連續性、展現病人病情變化趨勢較片面等[13]。深度學習技術在病情監測方面的應用為解決上述難題開辟了新的視角。Barrera 等[14]在急性精神健康住院病房引入人工智能技術，研究表明，基于深度學習的數字輔助護理觀察可在夜間進行間歇性和每小時護理觀察，護理人員可以在不叫醒病人的情況下觀察病人在病房中的安全、脈搏和呼吸頻率，同時可改善病人在精神病病房的體驗。Hannun 等[15]采用深度學習算法開發了一種可檢測12 種心律失常的分類模型。Attia 等[16]運用人工智能技術，構建了一款可對竇性心律伴發心房顫動的心電圖特征進行預測的深度學習模型，能夠對病人進行持續監測。Magi 等[17]利用圖像處理和深度學習技術開發出一種可對ICU病人進行實時監控的新型手部監測系統，該系統將病人的手分類為“正常”和“異常”兩種,后者表明病人出現手部活動，此時系統會向醫護人員發出報警信號，從而讓病人得到及時的救治。但目前該系統只適用于手部觀察，還未拓展至全身監測。

2.1.2 生存期預測

文獻報道，處于疾病終末期的病人希望得到全面、準確的醫療信息,以合理安排人生的最后階段[18]。人工智能預測模型不僅能輔助病人進行臨床決策，還可以協助醫護人員為病人進行早期護理及醫療干預。有研究者利用胸片及其他臨床因素構建并驗證了基于深度學習的慢性阻塞性肺疾病（COPD）病人生存預測模型（深度學習SP），結果顯示，此模型在所有隊列中均顯示出良好的校準度，能有效預測COPD 病人的生存期[19]。Avati 等[11]根據住院病人的電子健康記錄（electronic health record，EHR）數據訓練了一個深度學習模型，旨在預測病人3～12 個月的死亡率及安寧療護的照護需求，從而可確定病人安寧療護的介入時間，為病人更優質地度過臨終階段提供選擇和保證。此外，Yang 等[20]訓練并驗證了一種可穿戴活動記錄儀和基于深度學習模式的生存期預測模型，此模型通過分析病人入院后24 h 和48 h 的客觀活動數據自動預測終末期癌癥病人生存期，其預測的準確率為83%。由此，護理人員不僅可及早發現有死亡風險的病人，為其制定個體化的護理計劃，還可以減輕護士在臨床中的工作量。

2.1.3 心理護理

在心理護理方面，深度學習被用于構建焦慮、抑郁、情緒分類等精神衛生健康問題的風險預測模型，為病人選擇最優的心理干預方法提供依據。Jacobson等[21]以265 例焦慮癥病人為研究對象，開發了基于可穿戴傳感器的深度學習模型，該模型能有效預測焦慮的發生和癥狀是否加重，具有一定的臨床應用價值。毛小玲等[22]對現有的卷積神經網絡模型進行改進，提出一種具備定量逼近學習能力的改進卷積神經網絡，并以某高校大學生為研究對象進行腦電波（EEG）測試實驗，結果表明，所提出的方案不僅實現了對焦慮情感的精確量化識別，在一定程度上還能利用所得模型對大學生焦慮障礙病人的某些重要內在病理因素進行追溯分析，為后續臨床心理護理和心理危機干預提供更詳細可靠的診斷依據。研究者基于深度學習情感分類模型對抑郁癥病人EEG 信號隱藏節律分布及腦電波變化進行挖掘，并根據EEG 信號判斷抑郁癥病人現階段的情感類型、抑郁程度，該模型的構建有助于護理人員明確了解抑郁癥病人真實的心理及腦部活動，同時也為病人提供更具針對性的醫護方案探明了方向[23]。

2.2 護理管理

2.2.1 分診管理

目前，我國三級甲等醫院的門診預檢量居高不下，門診病人就診量大、護理人力資源有限、以人工分診形式為主，且分診工作內容復雜，為預檢分診工作帶來挑戰[24]。有研究證實，利用深度學習技術可在短時間內準確分診，實現醫療資源優化利用，提高工作效率[25-26]。劉勘等[27]通過病人的主訴及其既往病史記錄,構建了一個以卷積神經網絡為基礎的分診模型，研究表明，與在分診階段直接使用病人的自述文字相比，該方法會存在一定的誤差,但仍有助于提高分診的效率和準確性。周英等[28]利用成熟的醫療知識圖譜并結合卷積神經網絡算法，構建了智能分診模型，該模型可識別病人的癥狀描述，能推理出疾病并推薦相應的科室，準確率達88%。由此可見，基于深度學習的智能分診模型的建立可有效改善病人服務體驗，提高了病人就診效率，也降低了人工服務成本。

2.2.2 護理不良事件

一項針對8 個中低收入國家26 所醫院的研究顯示，不良事件發生率約為8%,在這些事件中83%是可以預防的[29]。研究顯示，深度學習可從大量無規律的數據中辨析出發生護理不良事件的關鍵風險因素，能夠用于高危人群的篩查，其可操作性較強，為早期預防護理不良事件提供了良好的技術支撐[30-33]。目前已有學者將深度學習運用于護理不良事件的預測模型中，通過深度學習建立的預測模型能夠對病人的生理指標進行實時監測與反饋，以便護理人員及時采取有效防范措施，減少護理不良事件的發生[34-37]。Delgado-Escano等[34]以用戶原始的人體慣性數據作為深度學習模型中的預測變量，構建并驗證了能實時完成跌倒檢測和人員身份識別任務的多任務學習跌倒預警模型，結果表明，該模型對跌倒檢測和用戶身份識別的準確率分別為98.0%和79.6%。研究者通過深度學習技術將實時跌倒檢測、跌倒事件回顧、臨床決策支持算法和以人為中心的干預措施相結合，使用戶因跌倒而去醫院的次數減少41%[35]。Goodwin 等[36]構建了一款基于深度學習中遞歸神經網絡的醫院獲得性壓力性損傷風險預測模型，研究結果顯示，與經典機器學習算法和Braden量表相比,該模型可提高壓力性損傷預測的準確性。Wang 等[37]將卷積神經網絡與支持向量機相結合，開發了一種能在5 s 內完成圖像數據采集的傷口創面測量工具，其準確率達95.0%，這有助于減輕護理人員管理壓力性損傷的工作負荷。

2.3 護理教育

護理教育是學科發展的基礎，旨在培養學生以實踐能力為主的綜合能力，同時護理教育也是護士培養、進修及能力提升的重要環節。王欣等[38]選取101 名專科護生作為研究對象，將基于卷積神經網絡的人工智能沉浸式教學方法應用在基礎護理教學中，結果顯示，該方法可顯著提高學生的學習積極性，與傳統教學方法相比，能夠明顯改善學生的臨床思維能力和學習效果。用相關軟件及深度學習技術分析護理碩士、博士生的學習特點，收集其網頁瀏覽、語音、圖像、視頻等行為數據信息，通過人工智能深度推薦算法，可預測碩士、博士生的興趣偏好，智能化推送學習內容和創建個性化教學模式。人工智能與深度學習技術具有較高的數據跟蹤與分析能力,逐步在護理教育中發揮作用[39]。有學者提倡在本科和研究生現有的護理教育課程中加入人工智能和深度學習的基礎知識(如概念、算法、模型)等內容。對于我國的發展而言，在護理本科、碩士及博士生教育中加入人工智能和深度學習技術，設置相應的課程，構建完善的核心課程體系，培養出有數據利用能力的科研人員是未來的趨勢所在[5,40]。

2.4 康復和慢性病管理

康復管理旨在預防繼發性殘疾和并發癥,最大限度提升自理和活動能力,幫助病人早日回歸正常生活。Chae 等[41]研發了一種智能穿戴設備和基于深度學習模式的上肢家庭康復系統，有望成為未來腦卒中病人家庭護理治療的一種實用且經濟的康復工具。Liao等[42]提出一種利用深度學習技術實現對人體康復訓練質量自動評估的框架，該框架包括降維算法、性能度量、評分函數及深度學習模型，并利用10 個康復練習的數據集對所提出的框架進行了驗證，結果表明，該框架可協助醫護人員對病人康復訓練過程進行密切監督，保證康復訓練的質量，以達到預期最佳的康復效果。糖尿病、慢性呼吸系統疾病等慢性病的發病率不斷升高,慢性病的管理已成為一項重要的護理工作。深度學習技術可整合不同維度和層次的數據,為慢性病管理提供了新的技術支撐。趙楠等[43]構建基于深度學習的糖尿病足潰瘍智能測量模型，實現了3 個建模過程：傷口區域定位、標尺刻度檢測、測量指標的計算與換算，這是國內首次采用深度學習算法對糖尿病足潰瘍面積進行測量，實現了深度學習在糖尿病足潰瘍護理領域的應用。Wu 等[44]基于深度學習和機器學習開發了一種急性加重的COPD 預測模型，用于判斷病人1 周內是否會發生急性加重的COPD，準確度（92.1%）較高，為病人的急診科就診提供了充足的預警時間。

3 小結與展望

隨著人工智能技術的發展，深度學習與護理領域的結合應用取得了一定的成果，為護理信息化發展提供了新方向、新模式、新經驗。目前，深度學習算法在臨床護理工作、護理管理、護理教育、康復和慢性病管理等方面的應用已經開始起步，為病人或學生提供了更精準的個體化干預措施，實現了護理學科的信息化研究。然而，大多數研究是以深度學習為基礎開發的預測模型，且現有的數據質量參差不齊，開發的預測模型的準確性和可行性有待驗證。因此，在未來的工作中護士應積極融入人工智能的大環境，主動參與深度學習技術的研發應用和護理大數據的管理，在前瞻性和臨床實踐中對這些系統進行強有力的探究，以了解深度學習如何在醫療領域為病人提供優質護理，讓人工智能在促進人類健康方面發揮更大的作用。