龐姝 孫豪濃 陳祥雪 姜春燕 李虹偉

營(yíng)養(yǎng)不良指由于攝入不足或利用障礙引起能量或營(yíng)養(yǎng)素缺乏的狀態(tài),進(jìn)而對(duì)軀體和生理功能甚至臨床結(jié)局產(chǎn)生不良影響[1]。老年人是發(fā)生營(yíng)養(yǎng)不良的高危人群,尤其是患有嚴(yán)重疾病或多病共存者[2]。中國(guó)社區(qū)老年人營(yíng)養(yǎng)不良的患病率為12.6%[3],營(yíng)養(yǎng)不良和存在營(yíng)養(yǎng)不良風(fēng)險(xiǎn)的患病率達(dá)41.2%[4],而老年住院病人的營(yíng)養(yǎng)不良和存在營(yíng)養(yǎng)不良風(fēng)險(xiǎn)患病率更高[5]。營(yíng)養(yǎng)不良不僅嚴(yán)重影響老年人的身體健康和生活質(zhì)量,還會(huì)增加死亡率以及醫(yī)療保健相關(guān)費(fèi)用,給社會(huì)和老年醫(yī)療護(hù)理系統(tǒng)造成巨大的負(fù)擔(dān)[1]。因此,早期識(shí)別和干預(yù)老年人營(yíng)養(yǎng)不良非常重要。然而,目前評(píng)估營(yíng)養(yǎng)不良多需專(zhuān)業(yè)人員現(xiàn)場(chǎng)評(píng)估,加之營(yíng)養(yǎng)干預(yù)對(duì)老年人及醫(yī)務(wù)人員來(lái)說(shuō)都是長(zhǎng)期、循序漸進(jìn)的過(guò)程,因此,老年?duì)I養(yǎng)篩查以及合理干預(yù)的需求并未得到滿(mǎn)足。近年來(lái),人工智能(artificial intelligence,AI)技術(shù)在醫(yī)學(xué)領(lǐng)域的應(yīng)用為老年?duì)I養(yǎng)不良的篩查及管理提供了更多可能(圖1)。AI可對(duì)多維度的大數(shù)據(jù)進(jìn)行采集與整合分析,構(gòu)建分類(lèi)預(yù)測(cè)模型,可提高老年?duì)I養(yǎng)不良的診斷及管理效能[6]。本文擬梳理近年AI在營(yíng)養(yǎng)領(lǐng)域的研究進(jìn)展,為老年?duì)I養(yǎng)不良的識(shí)別、管理及進(jìn)一步研究提供參考。

圖1 AI在老年?duì)I養(yǎng)領(lǐng)域的應(yīng)用

1 AI的基本原理

AI指機(jī)器模擬人類(lèi)的智力推理、決策和行為,涵蓋眾多技術(shù)領(lǐng)域。其中,機(jī)器學(xué)習(xí)(machine learning,ML)和深度學(xué)習(xí)(deep learning,DL)在醫(yī)療保健和營(yíng)養(yǎng)領(lǐng)域不斷發(fā)揮著明確且持續(xù)的作用[7]。ML是一個(gè)和算法相關(guān)的AI領(lǐng)域,它可在沒(méi)有新編程的情況下通過(guò)算法和數(shù)據(jù)學(xué)習(xí)為臨床決策創(chuàng)建數(shù)字模型,即系統(tǒng)可以通過(guò)識(shí)別輸入數(shù)據(jù)中的模式并根據(jù)學(xué)習(xí)的知識(shí)調(diào)整輸出,不斷提升智能,無(wú)需人為干預(yù)[8]。ML在老年?duì)I養(yǎng)領(lǐng)域的應(yīng)用可以幫助病人以更加個(gè)性化、更具針對(duì)性的維度促進(jìn)健康。DL是ML的一個(gè)分支,能夠自動(dòng)執(zhí)行復(fù)雜的多層級(jí)數(shù)據(jù),對(duì)多層次的模型和算法進(jìn)行學(xué)習(xí),并且無(wú)需監(jiān)督。DL在圖像和語(yǔ)音識(shí)別以及外語(yǔ)翻譯技術(shù)方面應(yīng)用廣泛,DL的應(yīng)用為老年?duì)I養(yǎng)不良的診斷以及持續(xù)性管理提供了更多可能。在老年?duì)I養(yǎng)領(lǐng)域,AI算法可能有助于大數(shù)據(jù)采集、預(yù)測(cè)營(yíng)養(yǎng)與健康之間的聯(lián)系、改善營(yíng)養(yǎng)評(píng)估、預(yù)測(cè)疾病風(fēng)險(xiǎn),進(jìn)而實(shí)現(xiàn)早期診斷、個(gè)性化的有效治療、減少住院、縮短住院時(shí)間,以及減少住院病人發(fā)生院內(nèi)感染、心血管不良事件等并發(fā)癥風(fēng)險(xiǎn)的目的。

2 AI輔助老年?duì)I養(yǎng)不良的評(píng)估

2.1 數(shù)據(jù)收集與分析 ML可對(duì)大數(shù)據(jù)進(jìn)行多維度分析。對(duì)醫(yī)療保健部門(mén)積累的大量數(shù)據(jù)加以充分利用,將有助于推動(dòng)廣泛的風(fēng)險(xiǎn)評(píng)估、疾病管理和病人分層研究。將AI與營(yíng)養(yǎng)知識(shí)結(jié)合可以建立計(jì)算模型和合成病人隊(duì)列、挖掘并提取電子健康記錄(electronic health records,EHR)和保險(xiǎn)索賠數(shù)據(jù)庫(kù)中的數(shù)據(jù),用于預(yù)測(cè)分析和評(píng)估系統(tǒng)對(duì)個(gè)性化食物的建議,闡明營(yíng)養(yǎng)干預(yù)在免疫、代謝和腸道微生物層面的復(fù)雜調(diào)節(jié)機(jī)制[9]。ML能夠捕獲營(yíng)養(yǎng)和健康數(shù)據(jù)中復(fù)雜的相互作用,在預(yù)測(cè)能力、效率、成本和便利性方面取代傳統(tǒng)方法,并在營(yíng)養(yǎng)領(lǐng)域的數(shù)據(jù)收集和預(yù)處理階段提供幫助[10]。

移動(dòng)應(yīng)用程序和可穿戴傳感器可以捕獲用于訓(xùn)練ML系統(tǒng)的膳食圖像以及來(lái)自EHR的輸入,簡(jiǎn)化繁瑣的手動(dòng)數(shù)據(jù)輸入過(guò)程。保證總體能量和蛋白質(zhì)的攝入是預(yù)防老年?duì)I養(yǎng)不良的關(guān)鍵,而評(píng)估食物攝入量是營(yíng)養(yǎng)不良治療中一個(gè)重要且耗時(shí)的方面?；谧詣?dòng)食品圖像識(shí)別和分析開(kāi)發(fā)新的飲食評(píng)估方法是一個(gè)快速發(fā)展的研究領(lǐng)域。Papathanail等[11]基于28例病人32個(gè)工作日的166餐飲食(332張圖像),使用帶預(yù)訓(xùn)練的ResNet+PSPNet作為系統(tǒng)分割識(shí)別網(wǎng)絡(luò),提出了一個(gè)基于自動(dòng)化AI的系統(tǒng),通過(guò)接收食用前后的食物圖像和每日菜單,估計(jì)病人的能量和宏量營(yíng)養(yǎng)素?cái)z入量。該系統(tǒng)具有高精度和自動(dòng)化的特點(diǎn),有望降低飲食評(píng)估成本,并加強(qiáng)對(duì)有營(yíng)養(yǎng)不良風(fēng)險(xiǎn)的住院病人的飲食監(jiān)測(cè)和評(píng)估。智能手機(jī)應(yīng)用程序goFOODTM自動(dòng)系統(tǒng)能夠根據(jù)智能手機(jī)捕獲的單個(gè)膳食圖像自動(dòng)進(jìn)行營(yíng)養(yǎng)評(píng)估,操作便捷,提高了病人應(yīng)用的依從性[12]?？纱┐黠嬍匙粉櫰?智能手表)可以利用圖像、聲音甚至情緒的傳感器來(lái)估計(jì)食物、能量含量和營(yíng)養(yǎng)攝入量[13]。但是,可穿戴傳感器在區(qū)分食物、精準(zhǔn)識(shí)別食物體積等方面的算法仍需要進(jìn)一步開(kāi)發(fā)。

2.2 建立模型,改進(jìn)篩查工具 AI建模策略可為醫(yī)療保健系統(tǒng)實(shí)施決策提供支持算法,以協(xié)助有效篩查營(yíng)養(yǎng)不良[14]。營(yíng)養(yǎng)不良的診斷標(biāo)準(zhǔn)至今尚未統(tǒng)一,開(kāi)發(fā)高度精準(zhǔn)的營(yíng)養(yǎng)篩查工具對(duì)于及時(shí)發(fā)現(xiàn)營(yíng)養(yǎng)不良、提供營(yíng)養(yǎng)護(hù)理以及解決與傳統(tǒng)篩查工具相關(guān)的次優(yōu)預(yù)測(cè)值問(wèn)題至關(guān)重要。目前,主觀(guān)綜合評(píng)估(subjective global assessment,SGA)量表、歐洲臨床營(yíng)養(yǎng)與代謝學(xué)會(huì)(European Society for Clinical Nutrition and Metabolism,ESPEN)于2015年建立的框架ESPEN 2015以及全球領(lǐng)導(dǎo)人營(yíng)養(yǎng)不良倡議(Global Leadership Initiative on Malnutrition diagnosis criteria consensus,GLIM)標(biāo)準(zhǔn)已在臨床中廣泛應(yīng)用[15],AI的建模策略可以用于比較或提升這些診斷標(biāo)準(zhǔn)的準(zhǔn)確性。Ren等[16]回顧性分析了7122例老年住院病人(>65歲)的數(shù)據(jù),隨機(jī)森林分類(lèi)表明,GLIM標(biāo)準(zhǔn)在診斷營(yíng)養(yǎng)不良及預(yù)測(cè)病人院內(nèi)并發(fā)癥(IHC)方面的準(zhǔn)確性?xún)?yōu)于SGA量表和ESPEN 2015標(biāo)準(zhǔn)。Yin等[17]開(kāi)發(fā)了基于GLIM標(biāo)準(zhǔn)的輔助診斷營(yíng)養(yǎng)不良的ML模型,該模型對(duì)指導(dǎo)臨床醫(yī)生診斷和治療癌癥病人營(yíng)養(yǎng)不良具有重要意義。Timsina等[18]開(kāi)發(fā)了一個(gè)基于ML的分類(lèi)器——MUSTPlus,其可通過(guò)對(duì)病人進(jìn)行分類(lèi)來(lái)更準(zhǔn)確地預(yù)測(cè)營(yíng)養(yǎng)風(fēng)險(xiǎn),同時(shí)根據(jù)病人整個(gè)醫(yī)療過(guò)程變化對(duì)營(yíng)養(yǎng)風(fēng)險(xiǎn)進(jìn)行持續(xù)的重新評(píng)估,從而減少病人入院率、縮短轉(zhuǎn)診評(píng)估和營(yíng)養(yǎng)狀況管理的滯后時(shí)間及病人住院時(shí)間。Besculides等[19]評(píng)估了MUSTPlus的實(shí)施情況,結(jié)果表明,ML工具可以增強(qiáng)臨床醫(yī)生的能力,同時(shí),ML工具開(kāi)發(fā)和實(shí)施的各個(gè)階段離不開(kāi)臨床醫(yī)生的參與。

2.3 預(yù)測(cè)營(yíng)養(yǎng)風(fēng)險(xiǎn)及營(yíng)養(yǎng)不良風(fēng)險(xiǎn) AI已應(yīng)用于預(yù)測(cè)營(yíng)養(yǎng)風(fēng)險(xiǎn),并具有較好的客觀(guān)性和可靠性[20]。營(yíng)養(yǎng)不良與各種急性和慢性并發(fā)癥有關(guān),如傷口愈合延遲、感染風(fēng)險(xiǎn)增加、虛弱和再住院風(fēng)險(xiǎn)增加。Ren等[21]對(duì)7122例老年住院病人進(jìn)行抽樣篩查,使用邏輯回歸和隨機(jī)森林模型評(píng)估GLIM定義的營(yíng)養(yǎng)不良與30 d IHC(包括感染、吻合口滲漏、貧血、電解質(zhì)紊亂、心肌梗死)和住院時(shí)間延長(zhǎng)(prolonged length of hospital stay,PLOS)(超過(guò)14 d)的關(guān)聯(lián)和預(yù)測(cè)價(jià)值,發(fā)現(xiàn)使用33種GLIM標(biāo)準(zhǔn)組合進(jìn)行營(yíng)養(yǎng)不良診斷與亞洲老年住院病人的30 d IHC和PLOS密切相關(guān)。Wang等[22]開(kāi)發(fā)了一種面部特征識(shí)別的ML模型,該模型建立了面部特征與營(yíng)養(yǎng)風(fēng)險(xiǎn)篩查2002量表(the Nutrition Risk Screening 2002,NRS2002)評(píng)分之間的非線(xiàn)性映射,其所提出的預(yù)測(cè)NRS2002分?jǐn)?shù)的方法準(zhǔn)確率達(dá)到了73.1%,該模型具有非侵入性、成本效益高和易于獲得等特點(diǎn),為醫(yī)療保健專(zhuān)業(yè)人員和個(gè)人早期有效識(shí)別營(yíng)養(yǎng)風(fēng)險(xiǎn)提供了更大的可能性。

AI也可應(yīng)用于預(yù)測(cè)營(yíng)養(yǎng)不良的發(fā)生風(fēng)險(xiǎn)。Jin等[23]開(kāi)發(fā)驗(yàn)證的DL模型不需要實(shí)驗(yàn)室或人體測(cè)量結(jié)果,可憑人口統(tǒng)計(jì)學(xué)和診斷信息來(lái)預(yù)測(cè)營(yíng)養(yǎng)不良的發(fā)生風(fēng)險(xiǎn),為營(yíng)養(yǎng)不良的早期干預(yù)提供了機(jī)會(huì);該研究還發(fā)現(xiàn),長(zhǎng)短期記憶循環(huán)神經(jīng)網(wǎng)絡(luò)模型優(yōu)于現(xiàn)有的營(yíng)養(yǎng)評(píng)估工具,并且可以很好地推廣到外部驗(yàn)證隊(duì)列。Larburu等[24]開(kāi)發(fā)了應(yīng)用于老年女性住院病人的基于ML的營(yíng)養(yǎng)不良風(fēng)險(xiǎn)預(yù)測(cè)模型,其在研究中使用了遞歸特征消除(recursive feature elimination, RFE)算法獲取最佳變量數(shù)量,當(dāng)使用16個(gè)變量建立預(yù)測(cè)模型時(shí),模型的準(zhǔn)確性可達(dá)到76%。

3 AI輔助老年?duì)I養(yǎng)不良的管理

AI已成為醫(yī)療保健領(lǐng)域的新希望,在老年?duì)I養(yǎng)不良的管理中具有巨大潛力。它可以提供關(guān)于營(yíng)養(yǎng)不良原因、癥狀、預(yù)防措施的準(zhǔn)確信息,同時(shí)可以識(shí)別更大的病人群體,并對(duì)病人進(jìn)行長(zhǎng)程追蹤。AI技術(shù)與醫(yī)療從業(yè)者之間的協(xié)同努力可為老年?duì)I養(yǎng)不良病人及老年?duì)I養(yǎng)不良高風(fēng)險(xiǎn)病人提供個(gè)性化管理方案。

3.1 增加營(yíng)養(yǎng)評(píng)估的可及性、助力長(zhǎng)程持續(xù)管理 AI為遠(yuǎn)程醫(yī)療和持續(xù)定期監(jiān)測(cè)提供了更大的可及性,有助于管理慢性病病人,尤其是合并多種疾病的老年病人[25]。面部形態(tài)計(jì)量學(xué)可為營(yíng)養(yǎng)狀況的實(shí)時(shí)監(jiān)測(cè)提供可行的解決方案,便于臨床醫(yī)生和營(yíng)養(yǎng)師遠(yuǎn)程跟蹤病人情況,并根據(jù)需要提供必要的干預(yù)措施,同時(shí)也可為醫(yī)療保健機(jī)構(gòu)和政策制定者提供有參考價(jià)值的信息[26]。GER-e-TEC研究結(jié)合了非侵入式通信傳感器和AI技術(shù),可用于日常監(jiān)測(cè),并可及時(shí)發(fā)現(xiàn)病情變化[27]。Chen等[28]使用的基于A(yíng)I的可穿戴技術(shù)可按預(yù)設(shè)的時(shí)間間隔自動(dòng)獲取現(xiàn)實(shí)生活中的圖像并進(jìn)行分類(lèi),為評(píng)估營(yíng)養(yǎng)不良問(wèn)題并制定有效的干預(yù)策略提供參考。Irshad等[29]在研究中通過(guò)可穿戴傳感器采集了5名健康受試者在饑餓和飽腹?fàn)顟B(tài)下的生理信號(hào),隨之進(jìn)行基于人工特征工程或深度特征學(xué)習(xí)方法分析,發(fā)現(xiàn)可以有效區(qū)分饑餓和飽腹?fàn)顟B(tài)。Braga等[30]開(kāi)發(fā)了一款基于A(yíng)I的手機(jī)應(yīng)用軟件FRANI,并在多個(gè)國(guó)家驗(yàn)證了其實(shí)用性。FRANI可實(shí)現(xiàn)高度可擴(kuò)展的營(yíng)養(yǎng)數(shù)據(jù)收集,為面臨營(yíng)養(yǎng)不良風(fēng)險(xiǎn)的人群提供更健康的食物選擇。Lu等[31]開(kāi)發(fā)并驗(yàn)證了一種基于A(yíng)I的完全自動(dòng)化的營(yíng)養(yǎng)評(píng)估系統(tǒng),名為goFOODTM,其可通過(guò)智能手機(jī)拍攝的圖像或視頻來(lái)評(píng)估一餐的熱量和宏量營(yíng)養(yǎng)素含量。goFOODTM系統(tǒng)在普通中歐餐和快餐中都表現(xiàn)出較高的準(zhǔn)確率,甚至優(yōu)于營(yíng)養(yǎng)師。以上工具的應(yīng)用可增加營(yíng)養(yǎng)不良病人日常監(jiān)測(cè)的可及性,提升病人的依從性,對(duì)長(zhǎng)程持續(xù)性管理意義重大。

3.2 制定個(gè)體化營(yíng)養(yǎng)管理方案 為提出準(zhǔn)確的個(gè)性化營(yíng)養(yǎng)建議,加快實(shí)現(xiàn)更好的健康目標(biāo),ML和DL等先進(jìn)計(jì)算技術(shù)在提供綜合框架方面大有可為。個(gè)性化營(yíng)養(yǎng)指為個(gè)體量身定制的營(yíng)養(yǎng)建議,旨在促進(jìn)、維護(hù)健康和預(yù)防疾病[9]。基于A(yíng)I的算法由各種建模策略組成,包括監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)、DL和認(rèn)知學(xué)習(xí)[32]。此外,還可以設(shè)計(jì)各種建模策略,如基于敏感性分析的元建模[33],以提取豐富的縱向臨床參數(shù)。一項(xiàng)基于Web的多中心Food4Me研究[34]使用自動(dòng)膳食反饋系統(tǒng)提供個(gè)性化膳食建議,并比較了手動(dòng)和自動(dòng)反饋系統(tǒng)的結(jié)果,認(rèn)為自動(dòng)化的飲食反饋系統(tǒng)可為改善大規(guī)模人群的飲食行為和健康提供干預(yù)措施。該研究表明,與基于人群的營(yíng)養(yǎng)建議相比,個(gè)性化營(yíng)養(yǎng)建議更為有效。為獲得實(shí)用的個(gè)性化飲食建議,需要借助大數(shù)據(jù)的力量,對(duì)相關(guān)組學(xué)(基因組學(xué)、表觀(guān)基因組學(xué)、代謝組學(xué)和微生物組學(xué))[35]進(jìn)行整合分析,以客觀(guān)和縱向地捕捉個(gè)體的環(huán)境信息(暴露組學(xué))[36],這些分析的結(jié)果將為制定可操作的、個(gè)性化的健康建議提供科學(xué)依據(jù)和知識(shí),進(jìn)而改善衰老過(guò)程。

ChatGPT可以提供營(yíng)養(yǎng)指導(dǎo)、飲食建議以及關(guān)于食物營(yíng)養(yǎng)價(jià)值的信息,并幫助個(gè)人了解平衡飲食的重要性,有助于營(yíng)養(yǎng)不良的預(yù)防和管理。ChatGPT可在整個(gè)營(yíng)養(yǎng)不良治療過(guò)程中為病人提供量身定制的指導(dǎo)和持續(xù)支持,進(jìn)而增強(qiáng)病人權(quán)能并改善其整體健康狀況[37]。

4 AI在老年?duì)I養(yǎng)不良中應(yīng)用的挑戰(zhàn)和策略

AI技術(shù)在老年?duì)I養(yǎng)不良診療中的應(yīng)用具有無(wú)限潛力和顯著的前景,然而其發(fā)展亦伴隨一系列復(fù)雜挑戰(zhàn)。

4.1 數(shù)據(jù)質(zhì)量及保護(hù) 一些AI算法在實(shí)際臨床應(yīng)用中的性能可能會(huì)降低[7]。AI在生成可靠的預(yù)測(cè)和建議時(shí)必須依賴(lài)高質(zhì)量的數(shù)據(jù),而由于采集設(shè)備、圖像質(zhì)量、病人配合等方面的差異造成數(shù)據(jù)的不足、不一致或不準(zhǔn)確可能削弱算法的可靠性。個(gè)人數(shù)據(jù)的隱私和安全也不容忽視,確保合乎倫理道德和法律法規(guī)的數(shù)據(jù)保護(hù)、采取措施使得潛在風(fēng)險(xiǎn)最小化顯得至關(guān)重要。

4.2 準(zhǔn)確性及道德倫理 盡管AI在擴(kuò)展醫(yī)療輔助手段方面表現(xiàn)出色,但醫(yī)療過(guò)程復(fù)雜多樣,AI難以確保在每一個(gè)環(huán)節(jié)都能準(zhǔn)確地預(yù)測(cè)與建議。人際關(guān)系、情感支持在醫(yī)療過(guò)程中不可或缺,而AI無(wú)法替代醫(yī)護(hù)人員所提供的人性化關(guān)懷和情感支持。在A(yíng)I技術(shù)快速發(fā)展的同時(shí),如何將人類(lèi)價(jià)值觀(guān)注入AI,以便獲得更加準(zhǔn)確、有人文溫度的結(jié)果是值得思考的問(wèn)題。

4.3 跨學(xué)科合作 為實(shí)現(xiàn)AI在老年?duì)I養(yǎng)領(lǐng)域的廣泛應(yīng)用,跨學(xué)科合作尤為關(guān)鍵,需要匯集消化、代謝、康復(fù)、影像等不同領(lǐng)域的專(zhuān)家致力于A(yíng)I與醫(yī)學(xué)的結(jié)合,共同創(chuàng)造更綜合和創(chuàng)新的解決方案。

4.4 對(duì)人類(lèi)就業(yè)的影響 AI應(yīng)用于醫(yī)學(xué)勢(shì)必會(huì)代替一部分人工,但同時(shí)也會(huì)幫助衛(wèi)生專(zhuān)業(yè)人員更便捷地開(kāi)展工作以節(jié)省出更多時(shí)間進(jìn)行人際互動(dòng),如何運(yùn)用AI發(fā)揮其輔助作用而非代替人類(lèi)的作用在未來(lái)將是一個(gè)很大的挑戰(zhàn)。

5 總結(jié)與展望

目前,老年?duì)I養(yǎng)不良已對(duì)社會(huì)造成很大的醫(yī)療負(fù)擔(dān),但篩查及有效管理老年?duì)I養(yǎng)不良的需求仍未得到滿(mǎn)足。自動(dòng)檢測(cè)系統(tǒng)與遠(yuǎn)程醫(yī)療的結(jié)合使病人可以更便捷地獲取優(yōu)質(zhì)醫(yī)療服務(wù)。老年?duì)I養(yǎng)的不少領(lǐng)域尚未用AI進(jìn)行探索,未來(lái)極具應(yīng)用潛力。大數(shù)據(jù)(尤其是EHR中的數(shù)據(jù))是很寶貴的未開(kāi)發(fā)資源,未來(lái)可通過(guò)AI的作用進(jìn)一步挖掘其價(jià)值。目前,AI算法和臨床實(shí)踐的良好實(shí)現(xiàn)之間存在一定差距,需要不斷地探索。老年?duì)I養(yǎng)領(lǐng)域引入AI有助于改進(jìn)診斷和治療、降低成本以及增加醫(yī)療設(shè)施的可訪(fǎng)問(wèn)性,必將對(duì)該領(lǐng)域的工作和發(fā)展產(chǎn)生持久和深遠(yuǎn)的影響。