凌 敏，章 晉，王霄一，潘曉巍，葉 群，李 惠

壓力性損傷(pressure injury,PI)是發(fā)生于皮膚和(或)潛在皮下軟組織的局限性損傷，通常位于骨隆突處，臨床表現(xiàn)為完整的皮膚或開放性潰瘍，可伴有疼痛，是由強烈和(或)長期的壓力或壓力聯(lián)合剪切力造成的[1]。臨床領域?qū)⑨t(yī)院獲得性壓力性損傷作為護理質(zhì)量的指標之一[2]。據(jù)研究，發(fā)達國家壓力性損傷發(fā)生率達7%～14%，發(fā)展中國家達8.3%～12.5%[3]。壓力性損傷不僅會引起病人的身體并發(fā)癥，導致不良的臨床結果，還會增加醫(yī)療費用，導致心理和社會問題[4]。隨著醫(yī)療信息技術的發(fā)展，醫(yī)療機構人員為有效管理壓力性損傷，與工程師合作開發(fā)了信息化管理系統(tǒng)[5-6]。在使用壓力性損傷管理系統(tǒng)中會產(chǎn)生龐大而復雜的數(shù)據(jù)和圖片信息，逐漸興起的人工智能(artifical intelligence,AI)機器學習(machine learning,ML)對其高效處理并重新利用已成為新趨勢[7]。現(xiàn)綜述人工智能機器學習在壓力性損傷臨床管理中的應用進展,以期為臨床實踐提供參考。

1 人工智能機器學習的內(nèi)涵

人工智能屬于計算機科學的一個分支，通過模擬人類的思維方式、知識存儲及學習能力，構建出無須人類過多干涉的智能實體[8]。人工智能作為當今最具變革性的技術，經(jīng)過不斷地發(fā)展，形成了包括結構化數(shù)據(jù)的機器學習、深度學習及非結構化數(shù)據(jù)的自然語言處理等不同分支[9]。例如常見的實驗室數(shù)據(jù)和生命體征屬于結構化數(shù)據(jù)，醫(yī)囑記錄、影像資料屬于非結構化數(shù)據(jù)[7]。機器學習是實現(xiàn)人工智能的方向之一，其原理是利用算法從龐大的數(shù)據(jù)中學習規(guī)律，實現(xiàn)對未知樣本的預測[9]。與傳統(tǒng)算法的不同之處在于機器學習可從繁雜的變量中發(fā)現(xiàn)其潛在關系并進行鑒別、建模，使工作效率迅速提升，現(xiàn)已成為醫(yī)學領域常用的研究方法之一。機器學習中最杰出的代表是深度學習，它以神經(jīng)網(wǎng)絡為核心，不僅具有強大的特征提取能力，還能夠更加容易地找到隱藏在數(shù)據(jù)中的規(guī)律，進而輔助人類的決策[10]。目前較熱門的人工神經(jīng)網(wǎng)絡、深度學習、支持向量機、卷積神經(jīng)網(wǎng)絡、隨機森林、反向傳播神經(jīng)網(wǎng)絡等均屬于機器學習[11]。人工智能技術作為第4次科技革命的重要組成部分，已應用于生活中的眾多方面，如人臉識別、語音識別、無人駕駛、機器人等[12]。同時，人工智能技術廣泛應用于醫(yī)療的各個領域，如決策支持、生物醫(yī)學、醫(yī)學成像、藥物研發(fā)、精準醫(yī)療等方面都取得了的成就，推動醫(yī)療管理由制度化管理向數(shù)據(jù)化、精準化、智能化管理方向轉變發(fā)展[13-15]。

2 人工智能機器學習在壓力性損傷預測模型中的應用

雖然目前針對壓力性損傷的治療方案研究廣泛，但由于其治愈率低、治療成本較高，壓力性損傷的預防尤為重要[16-18]。傳統(tǒng)的風險預測方法通常預先設定納入排除標準、定期隨訪、收集數(shù)據(jù)和評估結果的判定標準[19-20]。隨著數(shù)據(jù)量的增長，再加上特定指標的自身局限性，傳統(tǒng)的風險預測方法無法充分利用分外的、繁雜的非結構性數(shù)據(jù)[21]。機器學習算法可高效利用大量的臨床信息數(shù)據(jù)建立壓力性損傷預測模型，如Hu等[22]收集住院病歷11 838份，研究利用機器學習技術構建3種住院壓力性損傷預測模型，包括決策樹、邏輯回歸和隨機森林算法，實驗結果和模型評價表明，采用隨機森林算法建立的預測模型具有最優(yōu)的分類性能，為0.845。這項研究構建了住院壓力性損傷的預測模型，并進行實證分析，了解住院壓力性損傷的關鍵危險因素，可以作為壓力性損傷高危人群的篩選工具。這表明機器學習技術可以提取各種類型的隱藏信息，克服了典型統(tǒng)計分析的缺點，其準確性比決策樹算法和邏輯回歸更高。

目前，臨床護理人員仍使用傳統(tǒng)的壓力性損傷評估工具(如Braden量表)，評估過程不僅耗時，其主觀性也在一定程度上影響評估的準確性。為避免傳統(tǒng)壓力性損傷評估費時、主觀性強的弱點，可基于機器學習算法構建壓力性損傷預測模型，從而有效提高壓力性損傷預測準確性。國內(nèi)外學者將不同的機器學習算法應用于壓力性損傷模型的構建研究。Nakagami等[23]使用邏輯回歸、隨機森林、線性支持向量機和帶有5倍交叉驗證技術的極端梯度增強(XGBoost)4種機器學習算法建立風險預測模型，受試者工作特征曲線(ROC)顯示XGBoost模型的預測性能最好，在4種分類器中靈敏度最高，為(0.78±0.03),ROC曲線下面積(AUC)為(0.80±0.02)。Song等[24]收集來自一家大型綜合醫(yī)療機構下屬5家不同醫(yī)院的電子健康記錄數(shù)據(jù)，包括護士輸入的完整評估記錄，使用Logistic回歸、支持向量機、隨機森林和神經(jīng)網(wǎng)絡開發(fā)基于機器學習的壓力性損傷預測模型。通過五倍交叉驗證評估模型的性能，結果表明隨機森林模型表現(xiàn)最好，2個測試集的AUC為0.92和0.94，該模型可以準確地預測壓力性損傷的發(fā)展，如果今后經(jīng)過外部驗證，可能有助于廣泛的壓力性損傷預防。

因此，將機器學習算法應用于臨床壓力性損傷風險預測模型的構建，不僅可以高效利用醫(yī)療信息系統(tǒng)中的數(shù)據(jù)，實現(xiàn)自動檢測和實時監(jiān)測，還可以提高壓力性損傷預測的準確性，從而降低壓力性損傷的發(fā)生率。

3 人工智能機器學習在壓力性損傷創(chuàng)面評估中的應用

3.1 壓力性損傷創(chuàng)面分割與測量 由美國壓力性損傷咨詢委員會制訂的2019版壓力性損傷預防與治療指南中，壓力性損傷被分為4期[25]。當壓力性損傷處于第3期或第4期時，傳統(tǒng)監(jiān)測評估方法包含侵入性操作，測量結果往往存在一定的誤差[26]。隨著人工智能機器學習算法在處理圖像數(shù)據(jù)方面的持續(xù)發(fā)展，已實現(xiàn)對創(chuàng)面進行自動分割測量、客觀評估等技術[27-29]。有研究將創(chuàng)面分為肉芽、壞死焦痂和蛻膜組織，利用深度學習架構的3D卷積神經(jīng)網(wǎng)絡(CNN)提供了基本的視覺特征，對193張壓力性損傷彩色圖像進行了訓練和測試，結果顯示，Dice相似度系數(shù)(DSC)為92%，AUC為95%，該模型有使用前景[27]。Veredas等[28]收集了臨床中5 000張壓力性損傷創(chuàng)面照片，將其與機器學習中的貝葉斯算法結合，構建了創(chuàng)面測量工具，還解決了光線對創(chuàng)面圖像數(shù)據(jù)收集影響。Chang等[29]基于超像素分割輔助標記從卷積層中對2 836張壓力性損傷圖像進行組織分類提取特征，在5 個流行的DL模型(U-Net、DeeplabV3、PsPNet、FPN和MaskR-CNN)中，DeeplabV3在兩項任務上都表現(xiàn)最好，精度為0.991 5，對組織分類的準確率為精度為0.988 8。醫(yī)護人員在收集壓力性損傷創(chuàng)面數(shù)據(jù)的同時還能夠測量創(chuàng)面面積的變化，為開展之后研究奠定基礎。

3.2 壓力性損傷創(chuàng)面評估 隨著壓力性損傷管理不斷地與人工智能領域技術融合，對壓力性損傷的圖片、護理記錄等非結構性數(shù)據(jù)進行分析技術逐步發(fā)展。通過算法將創(chuàng)面情況數(shù)據(jù)化，可以準確、高效地對壓力性損傷進行非侵入性評估和監(jiān)測。Chang等[29]基于超像素分割的深度學習輔助標記，利用5種DL模型(U-Net、DeeplabV3、PsPNet、FPN和Mask RCNN)和編碼器(ResNet-101)在采集的2個數(shù)據(jù)集上進行訓練，對2 836張壓瘡圖像進行組織分類，對2 893張壓瘡圖像進行傷口和re-ep分割，可實現(xiàn)自動診斷壓力性損傷。Veredas等[28]使用4種機器學習算法對壓力性損傷創(chuàng)面進行分析，結果顯示支持向量與隨機森林模型的創(chuàng)面分析效果較好。Silva等[30]利用支持向量機與超像素分割對105張壓力性損傷圖像進行實驗，結果平均準確率為96%，靈敏度為94%，特異性為97%，精度94%，優(yōu)于當前基于深度學習的方法，并可擴展到組織分類。隨著我國醫(yī)療信息技術不斷升級，醫(yī)療決策與醫(yī)療設備結合已成為趨勢。

3.3 人工智能機器學習評估壓力性損傷創(chuàng)面的挑戰(zhàn) 作為一項具有變革性的新技術，人工智能機器學習的研究充滿挑戰(zhàn)。首先，在不同的研究實驗中不同研究者的拍攝距離、角度、光照對研究結果存在影響，今后相關技術研究可考慮使用客觀指標解決，以便后續(xù)研究者對比。其次，在不同的應用場景中可能會有創(chuàng)面以外的圖像被納入，能夠完全區(qū)分鑒別傷口以外的圖像是人工智能機器學習研發(fā)的重點。在臨床應用中還發(fā)現(xiàn)當壓力性損傷處于高分期時利用機器學習算法無法準確測量位于皮下深層的竇道和潛行面積。然而，數(shù)據(jù)的準確性決定了之后的圖像分析結果以及預測工具的準確程度。因此，如何減少人工智能技術的該誤差，仍有待進一步探索。

4 展望

我國壓力性損傷管理逐步進入大數(shù)據(jù)時代，龐大復雜的數(shù)據(jù)也隨之而來。當傳統(tǒng)的技術不能對此類數(shù)據(jù)有效提取和重新利用時，機器學習算法則開辟了一個新方向，在壓力性損傷管理領域具有廣闊的前景。在國外，機器學習算法在壓力性損傷管理中已取得了一定的成果?；跈C器學習算法的壓力性損傷創(chuàng)面檢測技術、風險預測模型等方面的研究，提高了壓力性損傷防治有效性及準確性，使壓力性損傷的信息化管理更具科學性、客觀性、特異性和便捷性，為壓力性損傷管理領域帶來全新的突破,為壓力性損傷預防及管理注入新的力量。