雷常彬，劉珊珊，王 聰，蔣 艷*

1.四川大學(xué)華西護(hù)理學(xué)院/四川大學(xué)華西醫(yī)院循證護(hù)理中心，四川 610041；2.四川大學(xué)華西醫(yī)院/華西護(hù)理學(xué)院

壓力性損傷（pressure injury，PI）是長(zhǎng)期臥床病人常見(jiàn)的并發(fā)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(yī)療機(jī)構(gòu)共同面臨的難題[1]。壓力性損傷的發(fā)生發(fā)展與護(hù)理管理質(zhì)量息息相關(guān)，但近年來(lái)，壓力性損傷發(fā)生率始終居高不下，在國(guó)外的發(fā)生率為5.0%～23.1%，我國(guó)的發(fā)生率可高達(dá)62.5%，不僅給病人帶來(lái)疼痛、感染風(fēng)險(xiǎn)和醫(yī)療支出增加等負(fù)面影響，亦給社會(huì)帶來(lái)沉重的負(fù)擔(dān)[2-6]。有效管理是降低壓力性損傷發(fā)生率、加速傷口愈合、減少住院支出的重要舉措。護(hù)士是管理的主力軍，然而臨床仍存在護(hù)士對(duì)壓力性損傷風(fēng)險(xiǎn)評(píng)估與已患?jí)毫π該p傷信息上報(bào)不及時(shí)、相關(guān)護(hù)理和治療措施知曉率和執(zhí)行率低等問(wèn)題，導(dǎo)致壓力性損傷得不到有效管理[7-8]。為加強(qiáng)管理，醫(yī)療機(jī)構(gòu)引進(jìn)了不良事件管控平臺(tái)來(lái)完善信息化建設(shè)[9]。信息化平臺(tái)的使用和發(fā)展催生了數(shù)量龐大、結(jié)構(gòu)復(fù)雜的數(shù)據(jù)，基于人工智能（artificial intelligence，AI）對(duì)其進(jìn)行收集和再利用已成為研究熱點(diǎn)[10]。隨著國(guó)內(nèi)外研究者對(duì)壓力性損傷領(lǐng)域縱深研究的不斷增加，相關(guān)研究由識(shí)別危險(xiǎn)因素、構(gòu)建非智能化管理流程、護(hù)理人員評(píng)估缺陷析因，延伸至基于建立的醫(yī)院信息化壓力性損傷防護(hù)體系和智能評(píng)估診斷系統(tǒng)。對(duì)人工智能+壓力性損傷相關(guān)研究進(jìn)行討論不僅有助于醫(yī)護(hù)人員快速了解本領(lǐng)域的研究動(dòng)態(tài)，還能提供開(kāi)展壓力性損傷研究的理論依據(jù)。因此，現(xiàn)對(duì)人工智能+壓力性損傷研究現(xiàn)狀進(jìn)行綜述，整理和總結(jié)當(dāng)前研究進(jìn)展，力求為醫(yī)護(hù)人員進(jìn)一步加強(qiáng)壓力性損傷信息化和智能化管理提供參考。

1 人工智能對(duì)壓力性損傷研究的必要性

病人資料、診療記錄、護(hù)理記錄、創(chuàng)面圖像等在內(nèi)的文本和圖像數(shù)據(jù)不僅能提示壓力性損傷的發(fā)生發(fā)展?fàn)顩r，提醒護(hù)士進(jìn)行干預(yù)，還能反映醫(yī)院護(hù)理質(zhì)量的高低，但是對(duì)壓力性損傷數(shù)據(jù)的有效收集和再利用仍然是護(hù)士面臨的一大難題。一方面，大量的壓力性損傷文本數(shù)據(jù)使異構(gòu)性和跨域關(guān)聯(lián)性的特征不斷遞增，導(dǎo)致出現(xiàn)數(shù)據(jù)部分提取或無(wú)法提取、指標(biāo)部分呈現(xiàn)等問(wèn)題，這極大地影響了護(hù)理記錄的連續(xù)性和可靠性[11]。另一方面，壓力性損傷圖像雖可直接反映創(chuàng)面進(jìn)展情況，但因其數(shù)據(jù)特征較文本數(shù)據(jù)復(fù)雜，導(dǎo)致現(xiàn)有數(shù)據(jù)捕捉及分析方法無(wú)法有效應(yīng)用圖像數(shù)據(jù)，使創(chuàng)面評(píng)估仍然依靠手工測(cè)量和經(jīng)驗(yàn)診斷，導(dǎo)致感染風(fēng)險(xiǎn)和護(hù)士工作量顯著增加[12]。眾多研究顯示，能夠幫助解決以上問(wèn)題的方法就是人工智能[13]。人工智能可利用大量的數(shù)據(jù)樣本自動(dòng)提取高級(jí)特征并通過(guò)更有效地組合低級(jí)輸入來(lái)學(xué)習(xí)分層表示。其研究范疇包括機(jī)器學(xué)習(xí)（machine learning，ML）、深度學(xué)習(xí)（deep learning，DL）、專(zhuān)家系統(tǒng)（expert system，ES）、自然語(yǔ)言處理（natural language processing，NLP）等[14-15]。國(guó)內(nèi)外學(xué)者利用人工智能相關(guān)技術(shù)，自動(dòng)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(jié)構(gòu)化文本數(shù)據(jù)，分析壓力性損傷發(fā)展進(jìn)程與相關(guān)影響因素的關(guān)系，建立預(yù)測(cè)模型；還將人工智能與已有的信息系統(tǒng)進(jìn)行功能整合，提示護(hù)士進(jìn)行護(hù)理干預(yù)，規(guī)范護(hù)理流程；利用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)強(qiáng)大的圖像解析能力，實(shí)現(xiàn)壓力性損傷創(chuàng)面圖像的分割、組織分類(lèi)與面積測(cè)量，輔助醫(yī)護(hù)人員進(jìn)行臨床決策[16-17]。

2 人工智能在壓力性損傷管理中的應(yīng)用現(xiàn)狀

2.1 風(fēng)險(xiǎn)預(yù)測(cè)模型 由于大部分壓力性損傷可預(yù)防且預(yù)防支出顯著低于治療支出，因此壓力性損傷預(yù)防重于治療已成為全球共識(shí)[18]。近年來(lái)，眾多學(xué)者利用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)構(gòu)建壓力性損傷風(fēng)險(xiǎn)預(yù)測(cè)模型，通過(guò)數(shù)據(jù)挖掘，找出壓力性損傷高危因素，實(shí)現(xiàn)壓力性損傷早期預(yù)防，其預(yù)測(cè)準(zhǔn)確性高于單獨(dú)使用壓力性損傷風(fēng)險(xiǎn)評(píng)估量表[19-20]。張倩瑩等[21]使用多層全連接神經(jīng)網(wǎng)絡(luò)，根據(jù)收集到的474 例病人數(shù)據(jù)（數(shù)據(jù)包括術(shù)前壓力性損傷風(fēng)險(xiǎn)評(píng)估、實(shí)施的護(hù)理措施、手術(shù)過(guò)程和術(shù)后壓力性損傷狀況評(píng)估）預(yù)測(cè)病人術(shù)后發(fā)生壓力性損傷可能性，從而為術(shù)前護(hù)理提供參考。楊青等[22]收集611 例被評(píng)估為壓力性損傷高風(fēng)險(xiǎn)的腫瘤病人資料，將是否發(fā)生難免性壓力性損傷作為因變量，年齡、性別、Braden 評(píng)分、難免性壓力性損傷風(fēng)險(xiǎn)因素（高度水腫、惡病質(zhì)、二便失禁、強(qiáng)迫體位等)作為自變量，利用決策樹(shù)模型構(gòu)建難免性壓力性損傷風(fēng)險(xiǎn)預(yù)測(cè)模型，該模型共構(gòu)建6 條分類(lèi)規(guī)則，篩選出4 類(lèi)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(yōu)于單獨(dú)使用Braden 評(píng)分。Alderden 等[23]用隨機(jī)森林算法構(gòu)建重癥監(jiān)護(hù)室（ICU）病人壓力性損傷風(fēng)險(xiǎn)預(yù)測(cè)模型，發(fā)現(xiàn)血紅蛋白水平、肌酐水平、體質(zhì)指數(shù)、手術(shù)時(shí)間和年齡為ICU 病人發(fā)生壓力性損傷的影響因素，其中手術(shù)時(shí)間是影響壓力性損傷發(fā)生的最主要因素。宋杰[24]通過(guò)決策樹(shù)、隨機(jī)森林、支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)分別構(gòu)建預(yù)測(cè)模型,結(jié)果表明4 種模型都有較好的預(yù)測(cè)效果，橫向?qū)Ρ劝l(fā)現(xiàn)隨機(jī)森林模型的效果優(yōu)于其他3 種模型,模型準(zhǔn)確率、召回率、精確率均高于99%。

總的來(lái)說(shuō)，壓力性損傷預(yù)測(cè)模型的預(yù)測(cè)性能和適用性整體較好,可將其應(yīng)用于臨床實(shí)踐,提醒護(hù)士對(duì)病人進(jìn)行個(gè)性化干預(yù)。但研究結(jié)果同時(shí)也提示醫(yī)護(hù)人員與壓力性損傷發(fā)生直接相關(guān)的影響因素多不可干預(yù),因此護(hù)士將預(yù)測(cè)模型應(yīng)用于臨床工作時(shí),應(yīng)結(jié)合壓力性損傷高危人群的特點(diǎn)，及時(shí)優(yōu)化并持續(xù)校準(zhǔn)預(yù)測(cè)模型。此外，大部分基于最大似然估計(jì)的預(yù)測(cè)模型缺乏外部驗(yàn)證，其研究結(jié)果在不同群體的適用性存在較大的局限，未來(lái)可針對(duì)已構(gòu)建的預(yù)測(cè)模型進(jìn)行外部驗(yàn)證，將極大地提高其應(yīng)用價(jià)值。

2.2 臨床決策支持系統(tǒng) 在壓力性損傷管理工作中，護(hù)士需將病人病情與護(hù)理常規(guī)、工作流程匹配后做出決策，但病人數(shù)量與病情的復(fù)雜性的增加、護(hù)理新技術(shù)的實(shí)施等因素極大影響了臨床決策的準(zhǔn)確性和連續(xù)性。臨床決策支持系統(tǒng)（clinical decision support system,CDSS）指基于人機(jī)交互的醫(yī)療信息技術(shù)應(yīng)用系統(tǒng)，旨在為醫(yī)生和其他衛(wèi)生從業(yè)人員提供臨床決策支持，包括知識(shí)庫(kù)和非知識(shí)庫(kù)兩種類(lèi)型[25]。

知識(shí)庫(kù)CDSS 的建立常基于專(zhuān)家系統(tǒng)，使用已被驗(yàn)證的知識(shí)（如指南、風(fēng)險(xiǎn)計(jì)算器、原始研究等）來(lái)建立路徑，從而制定個(gè)體化的推薦決策。大部分知識(shí)庫(kù)CDSS 包含人機(jī)交互界面、知識(shí)庫(kù)、推理機(jī)3 個(gè)部分，用戶通過(guò)人機(jī)界面輸入病人相關(guān)信息，推理機(jī)輸入的信息與知識(shí)庫(kù)中各個(gè)規(guī)則的條件進(jìn)行匹配，并把被匹配規(guī)則的結(jié)論存放到綜合數(shù)據(jù)庫(kù)中，最后將最終結(jié)論呈現(xiàn)給用戶。Dowding 等將CDSS 嵌入護(hù)理病歷系統(tǒng)，形成了包括計(jì)算機(jī)化的醫(yī)囑輸入、護(hù)理文檔、風(fēng)險(xiǎn)評(píng)估工具為主 CDSS，結(jié)果發(fā)現(xiàn)可提高住院病人壓力性損傷風(fēng)險(xiǎn)評(píng)估率與降 13% 院內(nèi)獲得性壓力性損傷發(fā)生率[26]。劉佩[27]組建多學(xué)科團(tuán)隊(duì)，搜集循證證據(jù)，利用該院壓力性損傷管理系統(tǒng)，設(shè)計(jì)壓力性損傷風(fēng)險(xiǎn)預(yù)警評(píng)估系統(tǒng)和報(bào)告系統(tǒng)，對(duì)病人進(jìn)行評(píng)估后會(huì)顯示風(fēng)險(xiǎn)等級(jí)，并自動(dòng)生成循證護(hù)理干預(yù)措施。護(hù)士長(zhǎng)根據(jù)壓力性損傷相關(guān)描述、護(hù)理措施及落實(shí)情況,確定是否進(jìn)行護(hù)理會(huì)診后提交。夏冬云等[28]基于壓力性損傷領(lǐng)域知識(shí)庫(kù)和護(hù)理文書(shū)數(shù)據(jù)庫(kù)，整合領(lǐng)域內(nèi)先進(jìn)的理論知識(shí)和數(shù)據(jù)，通過(guò)人機(jī)交互，智能判斷病人存在壓力性損傷風(fēng)險(xiǎn)，匹配所對(duì)應(yīng)的預(yù)防及護(hù)理措施生成護(hù)理任務(wù)。

非知識(shí)庫(kù)CDSS 往往基于機(jī)器學(xué)習(xí)，通過(guò)大量的數(shù)據(jù)和算法來(lái)訓(xùn)練模型。Cho 等[29]將貝葉斯網(wǎng)絡(luò)模型與該院正在使用的壓力性損傷管理的應(yīng)用程序、電子健康記錄系統(tǒng)相鏈接，使壓力性損傷預(yù)測(cè)功能嵌入壓力性損傷管理系統(tǒng)，并對(duì)866 例ICU 病人進(jìn)行干預(yù)，結(jié)果顯示與未使用CDSS 時(shí)相比，醫(yī)院獲得性壓力性損傷的患病率從21%下降到4%。Kim 等[30]研發(fā)了預(yù)防和護(hù)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(rèn) 知-行 為 流（cognitive-behavioral stream）的設(shè)計(jì)理念，利用機(jī)器學(xué)習(xí)算法學(xué)習(xí)病人相關(guān)數(shù)據(jù)，在臨床流中，根據(jù)編碼的臨床知識(shí)對(duì)病人數(shù)據(jù)進(jìn)行解釋并得出相關(guān)結(jié)論，用戶決定做什么，而這些臨床建議會(huì)影響認(rèn)知-行為流；在認(rèn)知-行為流中，根據(jù)編碼的認(rèn)知行為知識(shí)對(duì)用戶數(shù)據(jù)解釋并得出結(jié)論，用戶可得到壓力性損傷的分期診斷和干預(yù)建議。結(jié)果顯示，試驗(yàn)組護(hù)士壓力性損傷預(yù)防及護(hù)理表現(xiàn)水平和口腔黏膜壓力性損傷的分期能力優(yōu)于對(duì)照組，并且交互式的設(shè)計(jì)理念使護(hù)士壓力性損傷執(zhí)行性得分也有所提高。

目前，國(guó)內(nèi)主要構(gòu)建以電子病歷等醫(yī)院信息系統(tǒng)數(shù)據(jù)作為資料來(lái)源，以循證證據(jù)（知識(shí)庫(kù)）作為決策依據(jù)，這種知識(shí)庫(kù)CDSS 的雖然通過(guò)人機(jī)交互的方式也能實(shí)現(xiàn)預(yù)警提示、措施提醒等功能，但因較少采用人工智能技術(shù)，因此不能高效地捕捉新發(fā)數(shù)據(jù)，所有信息的采集、編譯、整理及規(guī)則均需人工完成，維護(hù)成本高昂，且存在信息更新時(shí)效性不強(qiáng)的問(wèn)題[31-33]。

2.3 創(chuàng)面分析 對(duì)壓力性損傷創(chuàng)面面積、深度以及創(chuàng)面組織類(lèi)型進(jìn)行準(zhǔn)確診斷和評(píng)估能幫助護(hù)理人員更加客觀評(píng)估壓力性損傷分期以及選擇治療方式[34]。傳統(tǒng)評(píng)估方式高度依賴護(hù)士個(gè)人知識(shí)儲(chǔ)備和工作經(jīng)驗(yàn)，不僅增加了工作量，且測(cè)量過(guò)程可能給病人帶來(lái)痛苦，結(jié)果可靠性也參差不齊。常旭等[35]利用卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)研發(fā)了難愈性創(chuàng)面人工智能輔助系統(tǒng)（HAIMed），將HAIMed 與透明膜勾邊法的創(chuàng)面測(cè)量結(jié)果進(jìn)行比較，顯示差異無(wú)統(tǒng)計(jì)學(xué)意義，說(shuō)明HAIMed 系統(tǒng)可靠性高。該系統(tǒng)不僅能測(cè)量創(chuàng)面面積，還可實(shí)現(xiàn)儲(chǔ)存圖像、對(duì)比評(píng)估、病人管理的功能，實(shí)現(xiàn)難愈性創(chuàng)面管理一體化。Veredas 等[36]提出了一種基于人工神經(jīng)網(wǎng)絡(luò)和貝葉斯分類(lèi)器的傷口圖像自動(dòng)組織分類(lèi)系統(tǒng)，使用平均移動(dòng)和區(qū)域生長(zhǎng)技術(shù)來(lái)分割潰瘍的區(qū)域。將顏色和紋理特征提供給一組k個(gè)多層感知器和貝葉斯分類(lèi)器，對(duì)潰瘍圖像中不同類(lèi)型的組織進(jìn)行分類(lèi)，準(zhǔn)確率達(dá)到91.5%。Begona 等[37]利用3D 卷積神經(jīng)網(wǎng)絡(luò)對(duì)壓力性損傷創(chuàng)面組織進(jìn)行分割與分類(lèi)，在對(duì)193 張彩色壓力性損傷圖像進(jìn)行了訓(xùn)練和測(cè)試后，分割結(jié)果顯示Dice相似系數(shù)（DSC）為92%，AUC 為95%。創(chuàng)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(chuàng)面評(píng)估還可為壓力性損傷愈合過(guò)程提供依據(jù)，F(xiàn)ilko 等[38]使用一種用于創(chuàng)面分析和處理的 APP。輸入壓力性損傷圖像后,用戶手動(dòng)對(duì)其分割,然后系統(tǒng)使用統(tǒng)計(jì)模式識(shí)別算法和創(chuàng)面測(cè)量,對(duì)組織進(jìn)行分類(lèi)和愈合評(píng)估。Noguchi等[39]通過(guò)細(xì)胞分子學(xué)圖像處理技術(shù)與k-均值聚類(lèi)或支持向量機(jī)分類(lèi)算法相結(jié)合，可提取傷口的紋理特征并分析，進(jìn)而顯示傷口愈合過(guò)程中發(fā)生的細(xì)微變化。

人工智能+傷口測(cè)量技術(shù)有助于醫(yī)護(hù)人員監(jiān)測(cè)壓力性損傷的發(fā)展和愈合過(guò)程。但是，這些傷口也表示著病人已經(jīng)發(fā)生壓力性損傷，這是醫(yī)護(hù)人員不愿意看到的結(jié)果。因此，未來(lái)的研究需要優(yōu)化技術(shù)，以便可以通過(guò)濕度、溫度等，能在早期階段評(píng)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(yīng)用現(xiàn)狀總結(jié)見(jiàn)圖1。

圖1 人工智能在壓力性損傷方面的應(yīng)用

3 問(wèn)題與展望

3.1 壓力性損傷圖像數(shù)量和質(zhì)量難以保證 壓力性損傷數(shù)據(jù)數(shù)量和質(zhì)量直接影響研究結(jié)果。有別于眼科疾患、阿爾茨海默病等疾病有獨(dú)立的開(kāi)源圖像數(shù)據(jù)庫(kù)，目前國(guó)內(nèi)外尚未建立標(biāo)準(zhǔn)且擁有大量壓力性損傷圖像的數(shù)據(jù)庫(kù)[40-41]。原因可能在于壓力性損傷圖像屬于光學(xué)三原色（RGB）圖像，對(duì)其采集的設(shè)備包括各種手機(jī)、數(shù)碼相機(jī)、平板電腦等，不同設(shè)備參數(shù)不一使壓力性損傷圖像同質(zhì)化難以保證，且拍攝過(guò)程還受環(huán)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(zhì)量。國(guó)內(nèi)外研究者使用的壓力性損傷圖像大多來(lái)自科室既往的壓力性損傷圖像和網(wǎng)頁(yè)檢索結(jié)果，圖像之間存在巨大差異，直接影響人工智能學(xué)習(xí)效果[42]。對(duì)此，我國(guó)可建立專(zhuān)門(mén)的壓力性損傷甚至是多種類(lèi)型傷口的數(shù)據(jù)庫(kù)，制定統(tǒng)一的拍攝標(biāo)準(zhǔn)和流程，盡可能還原傷口本來(lái)的色彩和大小，以便后續(xù)研究的開(kāi)展。

3.2 護(hù)士知識(shí)水平提升效果不足 護(hù)士是壓力性損傷管理的直接參與者，但一項(xiàng)Meta 結(jié)果顯示，將CDSS 整合到工作流程中后，沒(méi)有發(fā)現(xiàn)其對(duì)護(hù)士相關(guān)知識(shí)的顯著影響[43]。也有研究表明，護(hù)士在使用人工智能管理壓力性損傷時(shí)，并沒(méi)有基于循證的知識(shí)，仍嚴(yán)重依賴個(gè)人與同行交流所得的經(jīng)驗(yàn)[44]。這說(shuō)明人工智能+壓力性損傷在促進(jìn)護(hù)士能力發(fā)展的作用仍然有限。因此，有必要開(kāi)展人工智能對(duì)護(hù)士影響的高質(zhì)量質(zhì)性研究和量性研究，充分了解護(hù)士對(duì)人工智能產(chǎn)品的使用感受，以此來(lái)優(yōu)化CDSS 及其他產(chǎn)品的性能。

3.3 壓力性損傷遠(yuǎn)程項(xiàng)目開(kāi)發(fā)少 近年來(lái)，國(guó)家不斷提倡全民健康服務(wù)和延續(xù)性護(hù)理的理念，遠(yuǎn)程醫(yī)療逐漸引起重視。但與國(guó)外相比，國(guó)內(nèi)人工智能+壓力性損傷的研究主要圍繞院內(nèi)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(yuǎn)程護(hù)理服務(wù)中的應(yīng)用現(xiàn)狀。其原因可能是人們還未充分認(rèn)識(shí)對(duì)遠(yuǎn)程醫(yī)療對(duì)于壓力性損傷防治的重要性。國(guó)外研究者利用支持向量機(jī)算法開(kāi)發(fā)了壓力性損傷遠(yuǎn)程醫(yī)療自動(dòng)診斷系統(tǒng)，該系統(tǒng)與遠(yuǎn)程醫(yī)療設(shè)備結(jié)合，可獲取數(shù)據(jù)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(hù)士解決了異地診療的困難[45]，由此可見(jiàn)，遠(yuǎn)程醫(yī)療是實(shí)現(xiàn)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(yīng)用于醫(yī)院-社區(qū)-家庭的三級(jí)壓力性損傷管理模式中，遠(yuǎn)程指導(dǎo)照護(hù)者居家進(jìn)行傷口護(hù)理。

4 小結(jié)

人工智能是壓力性損傷管理實(shí)現(xiàn)信息化、智能化的必要技術(shù)，人工智能+壓力性損傷在降低壓力性損傷發(fā)生率、促進(jìn)創(chuàng)面愈合、減少醫(yī)療支出等方面發(fā)揮了重要作用。但人工智能在我國(guó)醫(yī)療領(lǐng)域的起步較晚，且大部分人工智能+醫(yī)學(xué)的研究由醫(yī)生主導(dǎo)，醫(yī)護(hù)之間對(duì)于人工智能的理解與應(yīng)用存在鴻溝。今后，護(hù)士應(yīng)積極融入人工智能的大環(huán)境，了解護(hù)理過(guò)程中產(chǎn)生的數(shù)據(jù)意義，并參與護(hù)理大數(shù)據(jù)的管理，從而使人工智能更好地融入臨床護(hù)理服務(wù)，優(yōu)化護(hù)理實(shí)踐。