任宏飛，劉常清，張銘光，蔣 艷

四川大學華西醫(yī)院/華西護理學院，四川 610041

病人安全是指將衛(wèi)生保健相關的不必要傷害減少到可接受的最低程度的風險控制過程[1]，是醫(yī)療、護理行為的基本原則，在和諧醫(yī)患關系、控制醫(yī)療費用、促進全民健康等方面具有重要意義。據(jù)報道，由于不安全護理導致的不良事件是全世界十大死亡和殘疾原因之一，其中1/3～1/2 是可以預防的[2]。由于全球護理人力資源長期處于緊缺狀態(tài)，護理工作負荷大、方式多變、內(nèi)容繁復，工作自主性受限于醫(yī)療環(huán)境、護理資源、個人水平等多重因素，給病人安全帶來了一定的風險與挑戰(zhàn)。隨著精準醫(yī)學時代的到來，人工智能（artificial intelligence，AI）技術快速與醫(yī)學融合，在機器人、語言識別、圖像識別、自然語言處理等醫(yī)療領域得到了大力發(fā)展[3]，并用于疾病診療、健康管理、藥物研發(fā)、精準醫(yī)學、跨地域醫(yī)療整合系統(tǒng)等方面[4]。近年來，人工智能在病人安全活動領域的研究取得了顯著的成果，對護理模式的改變、護理服務質(zhì)量的提升具有重要影響?，F(xiàn)綜述人工智能在醫(yī)院感染、壓力性損傷、跌倒及身份識別等護理相關病人安全結局的研究及應用現(xiàn)狀，旨在探索基于人工智能的更為科學、高效的護理方法，提高護理質(zhì)量，促進病人安全。

1 人工智能技術內(nèi)涵

廣義上講，人工智能為一種能夠做出智能決策的計算機程序。本研究中的人工智能是指計算機或醫(yī)療保健設備分析廣泛的醫(yī)療保健數(shù)據(jù)、揭示隱藏知識、識別風險并加強溝通的能力[5]。人工智能技術包括機器學習、自然語言處理、計算機視覺、智能機器人、自動程序設計等[6]。其中，機器學習和自然語言處理在醫(yī)療保健領域中的應用廣泛[7]。機器學習是指計算機能夠利用監(jiān)督學習或非監(jiān)督學習來識別潛在信息或對數(shù)據(jù)進行預測。自然語言處理是研究能實現(xiàn)人與計算機之間用自然語言進行有效通信的各種理論和方法，最終研制能有效實現(xiàn)自然語言通信的計算機系統(tǒng)。研究顯示，在病人安全領域中，機器學習中的支持向量法和自然語言處理應用的最多[8]。

2 人工智能在護理安全事件預測中的應用

2.1 人工智能在醫(yī)院感染預防中的應用 醫(yī)院感染防控是有效保障病人安全的基本要求。2019 年國家衛(wèi)健委官網(wǎng)報道，我國2014 年以來報告的醫(yī)院感染現(xiàn)患率為2.3%～2.7%[9]。同期，美國醫(yī)院相關感染的發(fā)生率為3.2%[10]。如何早期發(fā)現(xiàn)并及時控制醫(yī)院感染的發(fā)生已成為關鍵問題。近年來，國外對人工智能在醫(yī)院感染預防控制方面的作用進行了大量的研究。一方面，人工智能可通過提供實時、準確的醫(yī)院感染風險預測來預防、控制感染。如Beeler 等[11]通過人工智能技術中的隨機森林分類算法實現(xiàn)精準預測中心導管相關性血流感染的發(fā)生。另一方面，通過人工智能技術規(guī)范醫(yī)務人員行為，達到預防醫(yī)院感染的目的，其中手衛(wèi)生是全球公認的預防、控制醫(yī)院感染最簡單、有效、經(jīng)濟的措施[12]。如使用基于攝像頭的增強現(xiàn)實和游戲化學習來培訓和評估手衛(wèi)生技術[13]，或使用卷積網(wǎng)絡分類器的計算機視覺監(jiān)測醫(yī)務人員手衛(wèi)生執(zhí)行情況[14]，從而提高醫(yī)務人員手衛(wèi)生的依從性。也有研究通過開發(fā)綜合的手衛(wèi)生智能化管理系統(tǒng)，包括Sure Wash 系統(tǒng)、手衛(wèi)生評估和活動監(jiān)測系統(tǒng)，該系統(tǒng)在不影響臨床工作流程的情況下，使用人工智能改善手衛(wèi)生效果[15]。除此之外，有研究嘗試將可穿戴技術應用于手衛(wèi)生監(jiān)測，這種設備可以感應到醫(yī)務工作者洗手或手消毒行為，記錄洗手時間并監(jiān)測依從率，進而起到改善手衛(wèi)生依從率的作用[16-17]，但其遠期效果有待進一步研究。國內(nèi)對于人工智能技術在醫(yī)院感染預防、控制方面的研究較少，僅初步探索了醫(yī)院感染發(fā)生的預測模型[18]、智能監(jiān)測系統(tǒng)在手衛(wèi)生中的應用[19]，尚缺乏深入、細致的研究。國外針對人工智能技術在醫(yī)院感染預防、控制方面的研究較多，但也存在一些局限性。首先，人工智能在醫(yī)院感染預測中的準確性值得商榷，因為精準的模型開發(fā)需要一個高質(zhì)量的數(shù)據(jù)集，而目前的數(shù)據(jù)庫質(zhì)量有待提高。其次，目前開發(fā)的手衛(wèi)生智能化系統(tǒng)，會將實時反饋整合到人工智能應用程序中以強調(diào)手衛(wèi)生行為的重要性，雖然提高了洗手的數(shù)量及質(zhì)量，但員工會對反饋產(chǎn)生依賴性，當反饋被刪除時，洗手行為又回到了基線水平。再者，在使用人工智能視覺模擬時，如何更好地考慮現(xiàn)實醫(yī)院情景中的環(huán)境及人流量所帶來的干擾問題尚未得到很好的解決。最后，可穿戴技術的應用及研究，需要進一步考慮用戶態(tài)度、設備功能和可用性（設備設計、尺寸或重量）等重要因素。未來，我國護理學者可深入探索人工智能技術在護理操作相關感染的預測、干預以及手衛(wèi)生執(zhí)行質(zhì)量等領域的研究。

2.2 人工智能在壓力性損傷監(jiān)測及預防中的應用壓力性損傷是反映病人安全相關護理不良事件的主要指標之一。一項針對壓力性損傷患病率的系統(tǒng)綜述指出，全球壓力性損傷患病率為3.4%～32.4%[20]，其中97%的醫(yī)院獲得性壓力性損傷是可以預防的[21]。目前，人工智能技術對壓力性損傷的研究大多側重于風險預測和創(chuàng)面評估、測量和分析。在風險預測方面，Alderden 等[22]采用隨機森林模型，利用電子健康病歷中的數(shù)據(jù)，對危重病人壓力性損傷發(fā)生風險進行預測，與傳統(tǒng)Braden 量表相比，其準確性更高[受試者工作特征曲線下面積（AUC）為0.79，0.68）]。Song 等[23]利用豐富的電子健康記錄數(shù)據(jù)，開發(fā)了基于機器學習的非醫(yī)院獲得性壓力損傷和醫(yī)院獲得性壓力損傷兩種預測模型，并證實其具有較高的準確性。宋杰等[24-25]利用機器學習算法中的隨機森林模型構建了壓力性損傷預測模型，準確率高達90%以上。另外，也有研究分別采用模糊邏輯和機器學習，研發(fā)了智能床和輪椅墊，通過分析嵌入式傳感器的數(shù)據(jù)，實現(xiàn)特定皮膚區(qū)域發(fā)生壓力性損傷的風險預測[26]。這些模型雖然具有非常高的預測準確率，能夠幫助臨床護理人員早期識別壓力性損傷發(fā)生的高危人群，但這些模型在及時提醒護理干預者和促進早期干預方面的應用仍有待于進一步研究。在評估和分析方面，目前有針對壓力性損傷創(chuàng)面分析的光譜相機[27]和創(chuàng)面照片學習測量工具[28]，前者通過光譜相機對皮膚不同組織的不同反射率進行特征處理，進行潰瘍面積測量；后者將創(chuàng)面照片與機器學習中的貝葉斯算法結合進行創(chuàng)面測量。這兩種方法通過相機拍攝進行創(chuàng)面測量，但分析速度較慢，且分析質(zhì)量有待進一步提高。Wang 等[29]采用卷積神經(jīng)網(wǎng)絡和支持向量機算法，在5 s 內(nèi)完成壓力性損傷圖像數(shù)據(jù)的收集與分析，準確率高達95.0%。此外，Zahia 等[30]通過卷積神經(jīng)網(wǎng)絡算法實現(xiàn)了壓力性損傷創(chuàng)面的不同組織類型的測量，包括創(chuàng)面面積和深度測量，平均測量準確率均超過92%。有研究顯示，利用機器學習算法開發(fā)的壓力性損傷創(chuàng)面評估、測量和分析等技術，實現(xiàn)了對壓力性損傷非結構性數(shù)據(jù)分析，能夠準確、高效地評估和監(jiān)測壓力性損傷，具有實時、客觀、安全等優(yōu)點，有助于提高壓力性損傷評估的準確性，減輕護理人員在壓力性損傷管理方面的工作負擔[31]。未來，可進一步探索人工智能在壓力性損傷干預和預后評價等方面的應用研究。

2.3 人工智能在跌倒監(jiān)測及預防中的應用 跌倒是反映病人安全相關護理不良事件的又一主要指標。研究顯示，美國65 歲及以上成年人中，有1.1%的住院病人發(fā)生跌倒[32]，其中87.5% 的跌倒是可以預防的[21]。我國65 歲以上老年住院病人中跌倒發(fā)生率為30%[33]。跌倒不僅嚴重威脅病人人身安全，而且會延長住院時間，增加醫(yī)療成本。因此，準確預測跌倒的發(fā)生并及時予以干預可以有效降低跌倒的傷害。近年來，利用人工智能方法實現(xiàn)病人跌倒的風險預測已成為現(xiàn)實。有研究通過計算機視覺技術實施實時視頻監(jiān)控，對步態(tài)參數(shù)建模并實施跌倒監(jiān)測，進而預測跌倒風險，有助于實施相應的防范對策[34]。我國學者韓錕等[35]基于Open Pose 深度卷積網(wǎng)絡自圖像提取的人體姿態(tài)關鍵點獲取人體傾斜姿態(tài)動態(tài)特征，使用基于線性核的支持向量機完成跌倒行為預測，該方法在人體動作數(shù)據(jù)集上測試取得了97.33%的準確率與94.80%的精確率，與現(xiàn)有基于圖像的跌倒識別方法相比具有更優(yōu)的性能?？纱┐魇降箼z測系統(tǒng)可以自動發(fā)現(xiàn)跌倒并有效降低跌倒相關并發(fā)癥發(fā)生的風險。成功應用可穿戴式跌倒檢測系統(tǒng)主要取決于3 種因素：算法性能、電池壽命以及用戶接受程度[36]。已有研究顯示，可穿戴傳感器數(shù)據(jù)的分類模型顯示，根據(jù)受試者摔倒的風險，在試驗環(huán)境中預測的準確率相對較高[37-39]。然而，它們在現(xiàn)實世界中的可用性和適用性還需要進一步測試。但基于可穿戴設備的跌倒檢測技術受限于算法的穩(wěn)定性和識別的準確率,技術的靈敏度和特異度難以同時得到保證。其中，基于計算機視覺的跌倒檢測技術在無干擾的場景下檢測較為有效，但其易受環(huán)境變化（如背景光線、人群遮擋）影響。因此，張子浩等[40]提出了一種融合計算機視覺和可穿戴計算數(shù)據(jù)的跌倒檢測的新方法，并進行算法檢測，得出離線和在線測試數(shù)據(jù)的準確率、敏感度和特異度均超過了99%，證明了該方法具有較高的準確率和靈敏性。為幫助老年人獲得及時救助、減少因跌倒造成的傷害提供了技術支持。未來，可進一步探索人工智能技術在跌倒預防干預方面的可行性。

3 人工智能在其他病人安全領域的應用探索

在病人身份識別方面，2019 年中國醫(yī)院協(xié)會最新發(fā)布的病人安全目標中明確提出，鼓勵應用條碼掃描、人臉識別等身份信息識別技術。目前，國內(nèi)多家醫(yī)院已經(jīng)引進了人臉識別系統(tǒng)，包含病人信息建檔、分診掛號、科室診療、報告讀取、醫(yī)保支付、后勤安全管理等多個場景。計算機視覺可以快速完成病人身份匹配，提高身份識別的準確率，減少用藥、采血及其他護理操作失誤?？煽俊⒁仔?、低廉的識別設備和系統(tǒng)設計仍然是目前亟待深入探索的重要方向[41]。此外，通過環(huán)境或可穿戴設備收集的計算機視覺資料，可以提取病人的圖像行為，識別異常數(shù)值，從而輔助醫(yī)生快速判斷病人的身體和心理狀態(tài)，實現(xiàn)病情觀察、疼痛評估、心理危機預警、自傷自殺行為危機預警等，亦可輔助急診快速分檢，門診病人突發(fā)心搏驟停等特殊事件的應急響應和處置[42]。因此，在大數(shù)據(jù)背景下，以智能機器人、監(jiān)控攝像頭或傳感設備為載體，整合動作行為、步態(tài)、表情識別等關鍵信息的計算機視覺技術，在特殊風險病人群體的動態(tài)評估、病情監(jiān)護、風險預測、自動報警等方面具有巨大潛力[43]。同時，計算機視覺智能輔助醫(yī)療、護理質(zhì)量“結構-過程-結果”管理體系，形成病人安全閉環(huán)管理，可對臨床護理質(zhì)量和工作效率做出重大貢獻，使臨床護理人員能夠專注于細微的決策與護理，切實保障醫(yī)療、護理安全。

4 小結

人工智能助益臨床病人安全管理是未來臨床護理發(fā)展的趨勢。人工智能在護理領域中病人安全相關結局的風險預測已較成熟，包括導管相關性感染、壓力性損傷以及跌倒等發(fā)生風險預測。但這些研究大部分基于人工智能的預測模型的開發(fā)，缺乏臨床研究來評價在臨床層面使用人工智能對病人安全結果的作用和影響。另外，現(xiàn)有的數(shù)據(jù)質(zhì)量參差不齊，開發(fā)的預測模型的準確性和可行性有待探究，加之，研究者多為大數(shù)據(jù)分析人員，較少有醫(yī)護人員參加，部分工具的研發(fā)無法與臨床工作相吻合，導致研究結果的準確性有待進一步證實。因此，未來的工作仍然需要在前瞻性和臨床實際環(huán)境中對這些系統(tǒng)進行強有力的驗證，以了解人工智能在衛(wèi)生保健環(huán)境中如何預測病人安全結果，也可進一步探索人工智能輔助護理干預新技術、新方法在病人安全中應用及效果評價，不斷提升護理質(zhì)量，促進病人安全。