黃子菁，王 穎，何 梅，魯志卉，馬婉秋，蔡 悅，張昕悅，崔夢(mèng)影

1.華中科技大學(xué)同濟(jì)醫(yī)學(xué)院附屬同濟(jì)醫(yī)院，湖北 430030；2.華中科技大學(xué)同濟(jì)醫(yī)學(xué)院護(hù)理學(xué)院

跌倒是醫(yī)院病人安全管理的重要內(nèi)容[1]。據(jù)報(bào)道，2017 年我國(guó)490 所三級(jí)甲等醫(yī)院共發(fā)生18 024 例跌倒事件，跌倒傷害率達(dá)73.68%，導(dǎo)致病人住院時(shí)間延長(zhǎng)、生活質(zhì)量下降、醫(yī)療資源使用增加等[2]。及時(shí)監(jiān)測(cè)跌倒并實(shí)施跌倒后規(guī)范化處理，可有效保障病人安全，提高醫(yī)療質(zhì)量[3]。目前跌倒事件管理在數(shù)據(jù)收集與分析上存在跌倒監(jiān)測(cè)延時(shí)、主動(dòng)上報(bào)障礙、文本數(shù)據(jù)分析困難等問(wèn)題[4-5]。機(jī)器學(xué)習(xí)是由算法驅(qū)動(dòng)的數(shù)據(jù)分析方法，通過(guò)學(xué)習(xí)大量病人運(yùn)動(dòng)參數(shù)或臨床資料，探尋規(guī)律并構(gòu)建模型，從而實(shí)現(xiàn)跌倒相關(guān)數(shù)據(jù)挖掘、分析與預(yù)測(cè)[6]。其被廣泛用于行為監(jiān)測(cè)[7]、圖像識(shí)別[8]、文本挖掘[9]、臨床結(jié)局預(yù)測(cè)[10]等領(lǐng)域，可進(jìn)行實(shí)時(shí)姿態(tài)監(jiān)測(cè)和跌倒相關(guān)醫(yī)療大數(shù)據(jù)挖掘，從而監(jiān)測(cè)跌倒并輔助跌倒后處理。既往研究關(guān)注不同機(jī)器學(xué)習(xí)算法在跌倒風(fēng)險(xiǎn)評(píng)估和社區(qū)人群跌倒監(jiān)測(cè)中的使用，未充分探討機(jī)器學(xué)習(xí)在住院跌倒人群管理中的應(yīng)用?，F(xiàn)對(duì)機(jī)器學(xué)習(xí)算法進(jìn)行概述，綜述其在住院跌倒監(jiān)測(cè)及保護(hù)和跌倒后規(guī)范化處理中的應(yīng)用進(jìn)展，為實(shí)現(xiàn)信息化醫(yī)院的跌倒安全管理提供參考。

1 與跌倒安全管理相關(guān)的機(jī)器學(xué)習(xí)算法

機(jī)器學(xué)習(xí)可通過(guò)圖像監(jiān)測(cè)[11]、環(huán)境信息監(jiān)測(cè)[12]和可穿戴式傳感器監(jiān)測(cè)[13]實(shí)現(xiàn)跌倒監(jiān)測(cè)及保護(hù)的目的，即采用攝像機(jī)、紅外/地面/聲音傳感器、可穿戴式傳感器測(cè)量人體物理屬性，經(jīng)算法分析病人是否處于跌倒?fàn)顟B(tài)，通知醫(yī)護(hù)人員開(kāi)展救治或啟動(dòng)跌倒保護(hù)裝置；通過(guò)電子健康記錄（electronic health record，EHR)分析[14]達(dá)到跌倒后規(guī)范化處理的目的，收集病人人口統(tǒng)計(jì)學(xué)、病史、藥物、實(shí)驗(yàn)室數(shù)據(jù)、放射學(xué)報(bào)告、費(fèi)用信息等數(shù)字化診療護(hù)理記錄，經(jīng)算法挖掘跌倒相關(guān)數(shù)據(jù)的內(nèi)在關(guān)聯(lián)，從而輔助臨床決策、規(guī)范上報(bào)流程和分析大數(shù)據(jù)等。目前跌倒安全管理領(lǐng)域常見(jiàn)機(jī)器學(xué)習(xí)算法包括支持向量機(jī)（support vector machine，SVM）、人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）、決策樹(shù)、隨機(jī)森林、K-近鄰（k-nearest neighbors，KNN）、深度學(xué)習(xí)等。

1.1 SVM

SVM 由Vapnik 等于1995 年提出，是根據(jù)有限的樣本信息在二維平面中尋求最優(yōu)超平面的監(jiān)督學(xué)習(xí)方法[15]。SVM 主要應(yīng)用在可穿戴式傳感器監(jiān)測(cè)[16]和跌倒文本分析[17]方面。任宇飛[18]通過(guò)智能手機(jī)內(nèi)置傳感器采集12 名志愿者站立、行走、跑步、爬樓和跌倒?fàn)顟B(tài)時(shí)的加速度數(shù)據(jù)，基于SVM 建立防跌倒系統(tǒng)，包括用戶(hù)信息設(shè)置、運(yùn)動(dòng)實(shí)時(shí)監(jiān)測(cè)和跌倒報(bào)警模塊，可實(shí)時(shí)監(jiān)測(cè)用戶(hù)跌倒?fàn)顩r并向緊急聯(lián)系人發(fā)送包含位置信息的求助短信，準(zhǔn)確率達(dá)98.33%。后續(xù)可在臨床逐漸推廣使用以SVM 為基礎(chǔ)算法的可穿戴式傳感器設(shè)備，及時(shí)向護(hù)士站發(fā)送病人跌倒警示，降低跌倒傷害發(fā)生率。SVM 是住院跌倒安全管理研究中使用頻次較高的算法，綜合性能優(yōu)，適用于解決小樣本的二分類(lèi)問(wèn)題，如區(qū)分跌倒和日?；顒?dòng)，其模型簡(jiǎn)單，計(jì)算量小，但對(duì)大樣本數(shù)據(jù)處理困難。

1.2 ANN

ANN 由McCulloch 和Pitts 于1943 年提出，是一種參照人腦神經(jīng)元處理信息原理設(shè)計(jì)的算法[19]。ANN 主要用于輔助臨床決策。夏麗霞等[20]基于Bonczek型決策支持系統(tǒng)框架結(jié)構(gòu)，設(shè)計(jì)以ANN 為模型的護(hù)理決策支持系統(tǒng)，建立以跌倒等護(hù)理敏感結(jié)局指標(biāo)為指標(biāo)層的護(hù)理綜合評(píng)價(jià)決策指標(biāo)體系，在護(hù)士輸入病人信息時(shí)，提供評(píng)估、診斷、干預(yù)、結(jié)果指標(biāo)評(píng)價(jià)等方面建議。可將ANN融入臨床決策支持系統(tǒng)（clinical decision support system，CDSS），根據(jù)輸入的跌倒病人信息判斷病情嚴(yán)重程度及預(yù)測(cè)預(yù)后，滿(mǎn)足危重病人快速診治需求，為后續(xù)開(kāi)具影像學(xué)檢查、調(diào)整護(hù)理級(jí)別等診療護(hù)理計(jì)劃提供決策建議，促進(jìn)醫(yī)療資源合理分配。ANN可用于捕捉各變量間的非線(xiàn)性關(guān)聯(lián)，挖掘病人數(shù)據(jù)中隱藏的復(fù)雜數(shù)據(jù)關(guān)系，模型靈敏度、精確度和特異度較高，但對(duì)樣本量需求較大，成本偏高，計(jì)算效率較低。

1.3 決策樹(shù)及隨機(jī)森林

決策樹(shù)由Quinlan 于1986 年提出，是從未知數(shù)據(jù)中推理分層規(guī)則，并用樹(shù)形圖表達(dá)的預(yù)測(cè)模型[21]。隨機(jī)森林由Leo Breiman 于2001 年提出，是由大量決策樹(shù)組成的監(jiān)督學(xué)習(xí)算法，使用投票策略進(jìn)行分類(lèi)和預(yù)測(cè)[22]。兩種算法在跌倒監(jiān)測(cè)[23]及數(shù)據(jù)挖掘[24]領(lǐng)域有一定應(yīng)用。Nenonen[25]將決策樹(shù)模型作為數(shù)據(jù)挖掘工具，將性別、年齡、職業(yè)、工作過(guò)程、具體身體活動(dòng)等作為輸入變量，分析職業(yè)事故和疾病統(tǒng)計(jì)數(shù)據(jù)庫(kù)中的跌倒工傷事故，結(jié)果發(fā)現(xiàn)，與靜止物體撞擊、25～54 歲、機(jī)械制造操作工作等是其跌倒工傷特點(diǎn)，最常見(jiàn)的傷害為脫臼、扭傷和拉傷，恢復(fù)時(shí)間為4～30 d。與傳統(tǒng)邏輯回歸模型相比，使用決策樹(shù)/隨機(jī)森林挖掘電子健康記錄內(nèi)跌倒相關(guān)信息并分析住院病人跌倒及跌倒經(jīng)濟(jì)負(fù)擔(dān)影響因素時(shí)，信息收集難度較低，計(jì)算效率較高，分析結(jié)果準(zhǔn)確性較高，有利于據(jù)此提出針對(duì)性科室整改措施，降低院內(nèi)跌倒發(fā)生率[26]。決策樹(shù)/隨機(jī)森林適用于小型數(shù)據(jù)集，優(yōu)點(diǎn)是易于理解和解釋?zhuān)苤庇^(guān)反映各變量對(duì)跌倒發(fā)生的影響程度，適合非計(jì)算機(jī)專(zhuān)業(yè)人士使用。決策樹(shù)效率更高，但易過(guò)度擬合，忽略各變量間的相關(guān)性，不適合處理連續(xù)變量及存在數(shù)據(jù)缺失的樣本。隨機(jī)森林可避免決策樹(shù)的過(guò)擬合問(wèn)題，適用于離散和連續(xù)型變量，處理相關(guān)變量具有較強(qiáng)抗干擾能力，但較難處理含大量噪聲、過(guò)多冗余變量的數(shù)據(jù)[27]。

1.4 K-近鄰

K-近鄰由Cover 和Hart 于1967 年提出，假設(shè)相似事物存在于極其接近的位置，是求解分類(lèi)和回歸模型的監(jiān)督學(xué)習(xí)算法[28]，主要用于跌倒監(jiān)測(cè)領(lǐng)域。華仙等[29]通過(guò)佩戴在6 名年輕受試者前胸及后腰部的無(wú)線(xiàn)傳感器測(cè)量其模擬13 種跌倒類(lèi)型和11 種日?；顒?dòng)時(shí)的加速度，基于K-近鄰構(gòu)建跌倒監(jiān)測(cè)模型，持續(xù)監(jiān)測(cè)跌倒事件，特異度達(dá)99.76%，并在某三級(jí)甲等醫(yī)院試用。K-近鄰可用于實(shí)時(shí)監(jiān)測(cè)獨(dú)居老年人或住院跌倒高風(fēng)險(xiǎn)老年人。K-近鄰算法簡(jiǎn)單，是跌倒監(jiān)測(cè)領(lǐng)域除SVM 外的常用算法，其同樣適用于小型數(shù)據(jù)集，但與SVM 相比計(jì)算速度更快，識(shí)別跌倒準(zhǔn)確率略低。

1.5 深度學(xué)習(xí)

深度學(xué)習(xí)由Hinton 等于2006 年提出，是由ANN發(fā)展而來(lái)的訓(xùn)練深層結(jié)構(gòu)模型的新興方法，以卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）為代表[30]。近年來(lái)被廣泛應(yīng)用于圖像監(jiān)測(cè)。金瑋等[31]通過(guò)高速通信技術(shù)獲取模擬醫(yī)院內(nèi)攝像頭拍攝的7 987 份視頻樣本，基于CNN 對(duì)單人及多人情境下提取的25 個(gè)人體關(guān)鍵點(diǎn)進(jìn)行正常、跌倒、平躺等姿態(tài)識(shí)別，當(dāng)前后幀畫(huà)面分別為跌倒和平躺時(shí)示警，準(zhǔn)確率達(dá)99.75%。深度學(xué)習(xí)在醫(yī)院門(mén)診、急診、病房走廊等公共場(chǎng)合的跌倒監(jiān)測(cè)方面具有較好應(yīng)用前景。深度學(xué)習(xí)是未來(lái)發(fā)展趨勢(shì)，其更具智能性，可以自動(dòng)從原始圖像中提取特征，無(wú)須人工參與，識(shí)別跌倒行為精度較高，但模型構(gòu)建需要大樣本數(shù)據(jù)支持且耗時(shí)較長(zhǎng)，對(duì)硬件設(shè)備要求較高，適用于大型數(shù)據(jù)集。

2 機(jī)器學(xué)習(xí)在跌倒監(jiān)測(cè)及保護(hù)中應(yīng)用

2.1 信息化監(jiān)控系統(tǒng)

已有研究指出，病人跌倒傷害主要發(fā)生時(shí)間為夜晚和凌晨，此時(shí)間段護(hù)理人力資源薄弱，存在延時(shí)發(fā)現(xiàn)跌倒的問(wèn)題[32]。機(jī)器學(xué)習(xí)能實(shí)時(shí)監(jiān)測(cè)跌倒事件并發(fā)出警報(bào)，縮短傷者送醫(yī)時(shí)間，以降低跌倒者受傷害程度[33]。為保護(hù)病人隱私、減輕醫(yī)護(hù)人員工作負(fù)擔(dān)，院內(nèi)不同場(chǎng)所需采用不同監(jiān)控模式。對(duì)于病房、走廊等公共區(qū)域發(fā)生的意外跌倒事件，孫穎等[34]采用圖像監(jiān)測(cè)的方法，布設(shè)攝像機(jī)收集113 例跌倒病人（包括腦卒中、帕金森病、躁狂癥、術(shù)后麻醉病人）頭部、軀干、四肢位置變化信息，基于CNN 構(gòu)建病人全身關(guān)節(jié)點(diǎn)檢測(cè)與骨架提取模型，用于自動(dòng)監(jiān)測(cè)病人跌倒情況，并實(shí)時(shí)報(bào)警，監(jiān)測(cè)準(zhǔn)確率達(dá)96%。對(duì)于墜床等存在軀干及四肢被床褥遮擋情形的病房?jī)?nèi)跌倒事件，趙峰[11]提出深度網(wǎng)絡(luò)墜床監(jiān)測(cè)方法，采用圖像監(jiān)測(cè)的方式布設(shè)深度相機(jī)監(jiān)測(cè)病人頭部位置變化，建立包含594 個(gè)行為數(shù)據(jù)樣本的墜床數(shù)據(jù)庫(kù)，通過(guò)深度學(xué)習(xí)實(shí)現(xiàn)多人場(chǎng)景及身體遮擋情境下的實(shí)時(shí)墜床監(jiān)測(cè)，準(zhǔn)確率達(dá)93.70%。在廁所等私密場(chǎng)所，Werthen-Brabants 等[12]應(yīng)用環(huán)境信息監(jiān)測(cè)方式，采用環(huán)境傳感器收集20 例測(cè)試對(duì)象在模擬病房?jī)?nèi)13 359 個(gè)活動(dòng)的微多普勒特征，基于深度學(xué)習(xí)構(gòu)建跌倒監(jiān)測(cè)模型，達(dá)到實(shí)時(shí)監(jiān)測(cè)、預(yù)警和保護(hù)病人隱私的目的。針對(duì)非跌倒高風(fēng)險(xiǎn)人群，醫(yī)院等大型公共場(chǎng)所多采用能自動(dòng)監(jiān)測(cè)多人情形的圖像監(jiān)測(cè)和環(huán)境信息監(jiān)測(cè)方法，跌倒識(shí)別準(zhǔn)確率高，可以實(shí)時(shí)向醫(yī)護(hù)人員發(fā)出警示，以便其開(kāi)展快速救治，降低病人死亡風(fēng)險(xiǎn)，但其尚無(wú)法識(shí)別抽搐、休克等復(fù)雜跌倒情形。

2.2 跌倒即時(shí)保護(hù)裝置

部分跌倒病人會(huì)出現(xiàn)中重度損傷，尤其是側(cè)向跌倒和后向跌倒病人更易發(fā)生髖部骨折和后腦損傷，極大地降低了老年人生活質(zhì)量和預(yù)期壽命[35]。跌倒即時(shí)保護(hù)裝置對(duì)內(nèi)部算法的可預(yù)見(jiàn)性要求較高，需在跌倒病人與地面接觸前啟動(dòng)保護(hù)裝置。將機(jī)器學(xué)習(xí)算法與防護(hù)氣囊等保護(hù)裝置相結(jié)合，基于可穿戴設(shè)備監(jiān)測(cè)，可預(yù)先識(shí)別跌倒行為，啟動(dòng)氣囊裝置保護(hù)跌倒病人重要部位，降低跌倒對(duì)病人造成的傷害程度。余維維等[13]采用可穿戴設(shè)備監(jiān)測(cè)，通過(guò)穿戴在腰部的慣性傳感器采集12 名志愿者模擬的231 份日常動(dòng)作和144 份跌倒動(dòng)作數(shù)據(jù)，設(shè)計(jì)結(jié)合閾值和SVM 的跌倒預(yù)先識(shí)別方法，可以提前256 ms 識(shí)別跌倒行為及方向，并在病人發(fā)生側(cè)向和后向跌倒時(shí)觸發(fā)氣囊，準(zhǔn)確率達(dá)98.9%。除與防護(hù)氣囊相結(jié)合，針對(duì)穿戴假肢的跌倒高風(fēng)險(xiǎn)人群，陳國(guó)興等[16]提出了將機(jī)器學(xué)習(xí)與假肢保護(hù)裝置相結(jié)合的設(shè)想，通過(guò)SVM 分析假肢穿戴者重心加速度、腳加速度和髖關(guān)節(jié)角度，提前識(shí)別絆倒和滑倒，并啟動(dòng)動(dòng)力型假肢保護(hù)裝置，如實(shí)施抬腿、降腿、向前支撐等保護(hù)動(dòng)作，避免跌倒傷害的發(fā)生。針對(duì)院內(nèi)跌倒高風(fēng)險(xiǎn)人群，可采用針對(duì)單人情形的可穿戴設(shè)備監(jiān)測(cè)，穿戴跌倒即時(shí)保護(hù)裝置，在病人跌倒時(shí)防護(hù)其易受傷部位，防止或減輕跌倒傷害。

然而，在跌倒監(jiān)測(cè)及保護(hù)研究對(duì)象與場(chǎng)所方面，現(xiàn)階段機(jī)器學(xué)習(xí)的應(yīng)用更偏向理想化場(chǎng)景，多選擇20～40 歲的志愿者在模擬醫(yī)院環(huán)境的實(shí)驗(yàn)室進(jìn)行跌倒模型訓(xùn)練，缺乏大樣本真實(shí)世界住院老年人的跌倒數(shù)據(jù)，今后還需結(jié)合老年跌倒病人步態(tài)、關(guān)節(jié)活動(dòng)等特征和具體臨床場(chǎng)景進(jìn)行住院跌倒監(jiān)測(cè)模型改進(jìn)與優(yōu)化[6]。

3 機(jī)器學(xué)習(xí)在跌倒后規(guī)范化處理中的應(yīng)用

3.1 CDSS

CDSS 是一種智能化過(guò)濾病人信息和表達(dá)特定診療護(hù)理意見(jiàn)的計(jì)算機(jī)系統(tǒng)，可以協(xié)助醫(yī)護(hù)人員進(jìn)行臨床決策[36]。將機(jī)器學(xué)習(xí)融入CDSS，可彌補(bǔ)目前CDSS存在的智能化不足問(wèn)題，準(zhǔn)確判斷因跌倒入院病人的病情嚴(yán)重程度，輔助醫(yī)護(hù)人員預(yù)測(cè)病人臨床結(jié)局，做出出院或治療的臨床決策，提高工作效率。Young 等[26]采用電子健康記錄分析的方式，回顧性收集了4 725 例因跌倒入院病人電子健康記錄中的人口統(tǒng)計(jì)學(xué)信息、損傷特征和生理學(xué)指標(biāo)，分別通過(guò)Logistic 回歸、決策樹(shù)和隨機(jī)森林建立病人死亡和出院概率預(yù)測(cè)模型，結(jié)果顯示，隨機(jī)森林預(yù)測(cè)效果最優(yōu)，高死亡率預(yù)測(cè)指標(biāo)為低肢體運(yùn)動(dòng)、低語(yǔ)言反應(yīng)、高呼吸頻率等，高出院率預(yù)測(cè)指標(biāo)為男性等，可用于預(yù)測(cè)跌倒病人預(yù)后，為合理分配醫(yī)療資源提供依據(jù)。此外，機(jī)器學(xué)習(xí)也可協(xié)助醫(yī)護(hù)人員決策跌倒病人是否需行CT 檢查，給予合理的診療措施。一項(xiàng)單中心回顧性隊(duì)列研究以514 例跌倒后出現(xiàn)輕度顱腦損傷的老年病人為研究對(duì)象，結(jié)果顯示，將性別、癡呆、阿司匹林或抗凝劑使用情況、鎖骨上方損傷、跌倒類(lèi)型等數(shù)據(jù)輸入ANN 模型中，可預(yù)測(cè)跌倒病人頭部CT 結(jié)果是否異常，從而輔助決策該病人是否需行CT 檢查[37]。從醫(yī)護(hù)工作層面來(lái)看，將機(jī)器學(xué)習(xí)應(yīng)用于急診CDSS，可實(shí)現(xiàn)對(duì)跌倒入院病人的預(yù)檢分診和診斷提示，自動(dòng)生成結(jié)局預(yù)測(cè)和診療護(hù)理意見(jiàn)，輔助醫(yī)護(hù)人員做出臨床決策，降低危重病人漏檢率，優(yōu)化醫(yī)療資源供給。但需注意，機(jī)器學(xué)習(xí)僅為輔助決策技術(shù)，醫(yī)護(hù)人員仍是決策主體，人工智能的問(wèn)責(zé)制和安全性需進(jìn)一步完善。

3.2 跌倒事件上報(bào)系統(tǒng)

目前臨床上多采用護(hù)理不良事件系統(tǒng)進(jìn)行院內(nèi)跌倒事件上報(bào)，存在上報(bào)標(biāo)準(zhǔn)不統(tǒng)一、瞞報(bào)等問(wèn)題[38]。對(duì)護(hù)士而言，機(jī)器學(xué)習(xí)可用于規(guī)范跌倒上報(bào)內(nèi)容，并解決報(bào)告質(zhì)量不佳與細(xì)節(jié)欠缺的問(wèn)題。Klock 等[17]收集了病人安全組織機(jī)構(gòu)的2 046 份跌倒報(bào)告，分別利用SVM、隨機(jī)森林、深度學(xué)習(xí)構(gòu)建跌倒報(bào)告質(zhì)量評(píng)分系統(tǒng)，從目擊者、調(diào)查記錄、受傷類(lèi)型、呼叫鈴、鞋類(lèi)等13個(gè)方面評(píng)估跌倒報(bào)告，為上報(bào)護(hù)理人員提供即時(shí)評(píng)分，幫助其發(fā)現(xiàn)缺失信息并進(jìn)行相應(yīng)修改，結(jié)果表明，大多數(shù)報(bào)告質(zhì)量一般，未描述跌倒細(xì)節(jié)，目前SVM 模型總體表現(xiàn)最優(yōu)，未來(lái)報(bào)告質(zhì)量提高后，深度學(xué)習(xí)應(yīng)用前景更優(yōu)。對(duì)病人而言，機(jī)器學(xué)習(xí)分析病人主動(dòng)上報(bào)的病歷資料，判斷是否發(fā)生跌倒等不良事件，可促進(jìn)病人參與跌倒管理，降低瞞報(bào)發(fā)生率。錢(qián)雷鳴等[39]設(shè)計(jì)以病人為報(bào)告主體的不良事件查詢(xún)與報(bào)告系統(tǒng)，病人輸入其一般資料、診療信息、康復(fù)狀況及預(yù)期不良事件發(fā)生情況等資料，經(jīng)過(guò)ANN 加權(quán)運(yùn)算，可及時(shí)分析診療過(guò)程是否存在不良事件，同時(shí)系統(tǒng)會(huì)自動(dòng)將數(shù)據(jù)傳至上級(jí)監(jiān)管機(jī)構(gòu)，為后續(xù)調(diào)查取證提供數(shù)據(jù)支撐。可見(jiàn)，機(jī)器學(xué)習(xí)可提高護(hù)士跌倒上報(bào)報(bào)告質(zhì)量，促進(jìn)病人參與安全管理，為改進(jìn)護(hù)理工作流程、追蹤病人跌倒原因并采取針對(duì)性預(yù)防措施提供數(shù)據(jù)基礎(chǔ)。

3.3 跌倒事件追蹤分析

目前跌倒事件相關(guān)數(shù)據(jù)數(shù)量激增，類(lèi)型復(fù)雜，結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化文本數(shù)據(jù)并存，導(dǎo)致追蹤時(shí)存在人工分析標(biāo)準(zhǔn)不統(tǒng)一、工作負(fù)荷大、漏檢、信息滯后等問(wèn)題[40]。機(jī)器學(xué)習(xí)可通過(guò)識(shí)別非結(jié)構(gòu)化文本信息，對(duì)跌倒事件上報(bào)文本進(jìn)行分析，實(shí)時(shí)追蹤跌倒相關(guān)信息，分析跌倒傷害嚴(yán)重程度。葛曉偉等[14]通過(guò)提取國(guó)內(nèi)某三級(jí)甲等醫(yī)院護(hù)理不良事件上報(bào)登記系統(tǒng)中11 237 條上報(bào)信息，開(kāi)發(fā)基于CNN 和SVM 的中文護(hù)理不良事件文本分類(lèi)模型，有效判斷上報(bào)事件是否屬于提前制止、無(wú)傷害、輕微傷害、中度及以上傷害事件，實(shí)現(xiàn)對(duì)單個(gè)跌倒案例的縱向追蹤及對(duì)全院跌倒病人的橫向追蹤。跌倒相關(guān)信息不僅存在于上報(bào)系統(tǒng)中，對(duì)跌倒事件的追蹤不應(yīng)局限于小部分文件類(lèi)型。McCart 等[41]通過(guò)收集單中心2 241 例門(mén)診病人入院48 h 內(nèi)的臨床文件，采用邏輯回歸和SVM 構(gòu)建門(mén)診跌倒文本挖掘模型，實(shí)現(xiàn)了對(duì)611 種文檔類(lèi)型中跌倒信息的自動(dòng)追蹤、提取、分析，同時(shí)發(fā)現(xiàn)僅追蹤常見(jiàn)文件將遺漏半數(shù)跌倒信息。提示可以采用機(jī)器學(xué)習(xí)分析急診記錄、初級(jí)保健記錄、分診記錄、護(hù)理記錄等不同格式的文件，多維度、全過(guò)程追蹤跌倒病人的診療流程，降低跌倒信息遺漏率。從管理層面來(lái)看，將機(jī)器學(xué)習(xí)部署于醫(yī)院護(hù)理不良事件系統(tǒng)，有利于數(shù)據(jù)的實(shí)時(shí)匯集、分析及共享，有效識(shí)別臨床文本數(shù)據(jù)中隱藏的跌倒相關(guān)信息，實(shí)現(xiàn)區(qū)域或國(guó)家范圍跌倒數(shù)據(jù)統(tǒng)計(jì)，識(shí)別并改進(jìn)護(hù)理管理缺陷。由于機(jī)器學(xué)習(xí)過(guò)分依賴(lài)訓(xùn)練數(shù)據(jù)，應(yīng)加強(qiáng)對(duì)以單中心數(shù)據(jù)為基礎(chǔ)構(gòu)建的模型推廣性的驗(yàn)證。

3.4 跌倒住院費(fèi)用管控

跌倒造成的經(jīng)濟(jì)負(fù)擔(dān)巨大，美國(guó)每年跌倒醫(yī)療保健支出為874 億美元[42]。住院費(fèi)用數(shù)據(jù)常為偏態(tài)分布，采用傳統(tǒng)線(xiàn)性回歸模型分析存在一定局限性。機(jī)器學(xué)習(xí)可以用于分析因跌倒入院病人的住院費(fèi)用影響因素。一項(xiàng)回顧性研究以2 所三級(jí)甲等醫(yī)院7 344例跌倒住院病人為研究對(duì)象，將病人基本信息、住院總費(fèi)用、各單項(xiàng)住院費(fèi)用明細(xì)和醫(yī)保支付費(fèi)用信息輸入決策樹(shù)建立住院費(fèi)用預(yù)測(cè)模型，結(jié)果顯示，手術(shù)次數(shù)、住院日、手術(shù)類(lèi)型、受傷部位和受傷類(lèi)型是造成跌倒病人直接醫(yī)療經(jīng)濟(jì)負(fù)擔(dān)的主要因素，其也顯示了各因素對(duì)住院費(fèi)用的影響路徑[24]。從機(jī)構(gòu)層面來(lái)看，應(yīng)用機(jī)器學(xué)習(xí)從衛(wèi)生經(jīng)濟(jì)學(xué)角度挖掘分析跌倒病人住院費(fèi)用影響因素，可以為醫(yī)療機(jī)構(gòu)及醫(yī)保等相關(guān)部門(mén)合理管控住院費(fèi)用、降低跌倒病人經(jīng)濟(jì)負(fù)擔(dān)、完善醫(yī)保支付標(biāo)準(zhǔn)提供針對(duì)性指導(dǎo)意見(jiàn)。

4 小結(jié)

機(jī)器學(xué)習(xí)可預(yù)測(cè)和識(shí)別病人運(yùn)動(dòng)狀態(tài)，分析量性及質(zhì)性大數(shù)據(jù)，對(duì)住院跌倒監(jiān)測(cè)及保護(hù)和跌倒后規(guī)范化處理方面有重要意義，其主要應(yīng)用范圍包括信息化監(jiān)控系統(tǒng)、跌倒即時(shí)保護(hù)裝置、CDSS、跌倒事件上報(bào)系統(tǒng)、跌倒事件追蹤分析、跌倒住院費(fèi)用管控，可以為促進(jìn)信息化跌倒安全管理體系建設(shè)提供參考。目前，機(jī)器學(xué)習(xí)在住院跌倒安全管理領(lǐng)域的研究尚處于初級(jí)階段，應(yīng)偏重收集真實(shí)世界數(shù)據(jù)構(gòu)建機(jī)器學(xué)習(xí)模型，開(kāi)展前瞻性多中心臨床試驗(yàn)，探討模型應(yīng)用對(duì)跌倒相關(guān)臨床結(jié)局的影響，比較單一算法和混合算法在不同情境下的優(yōu)劣，探索模型的適用性、有效性與推廣性。此外，應(yīng)考慮倫理、法律和社會(huì)影響，注重?cái)?shù)據(jù)隱私、安全和技術(shù)接受度，保證證據(jù)的有效性、結(jié)果的公平性以及算法造成傷害的可追溯性。