雷常彬，刘珊珊，王 聪，蒋 艳*

1.四川大学华西护理学院/四川大学华西医院循证护理中心，四川 610041；
2.四川大学华西医院/华西护理学院

压力性损伤（pressure injury，PI）是长期卧床病人常见的并发症，损伤程度包括压之不褪色的皮肤泛红至全层皮组织缺失，是全球医疗机构共同面临的难题[1]。压力性损伤的发生发展与护理管理质量息息相关，但近年来，压力性损伤发生率始终居高不下，在国外的发生率为5.0%～23.1%，我国的发生率可高达62.5%，不仅给病人带来疼痛、感染风险和医疗支出增加等负面影响，亦给社会带来沉重的负担[2-6]。有效管理是降低压力性损伤发生率、加速伤口愈合、减少住院支出的重要举措。护士是管理的主力军，然而临床仍存在护士对压力性损伤风险评估与已患压力性损伤信息上报不及时、相关护理和治疗措施知晓率和执行率低等问题，导致压力性损伤得不到有效管理[7-8]。为加强管理，医疗机构引进了不良事件管控平台来完善信息化建设[9]。信息化平台的使用和发展催生了数量庞大、结构复杂的数据，基于人工智能（artificial intelligence，AI）对其进行收集和再利用已成为研究热点[10]。随着国内外研究者对压力性损伤领域纵深研究的不断增加，相关研究由识别危险因素、构建非智能化管理流程、护理人员评估缺陷析因，延伸至基于建立的医院信息化压力性损伤防护体系和智能评估诊断系统。对人工智能+压力性损伤相关研究进行讨论不仅有助于医护人员快速了解本领域的研究动态，还能提供开展压力性损伤研究的理论依据。因此，现对人工智能+压力性损伤研究现状进行综述，整理和总结当前研究进展，力求为医护人员进一步加强压力性损伤信息化和智能化管理提供参考。

病人资料、诊疗记录、护理记录、创面图像等在内的文本和图像数据不仅能提示压力性损伤的发生发展状况，提醒护士进行干预，还能反映医院护理质量的高低，但是对压力性损伤数据的有效收集和再利用仍然是护士面临的一大难题。一方面，大量的压力性损伤文本数据使异构性和跨域关联性的特征不断递增，导致出现数据部分提取或无法提取、指标部分呈现等问题，这极大地影响了护理记录的连续性和可靠性[11]。另一方面，压力性损伤图像虽可直接反映创面进展情况，但因其数据特征较文本数据复杂，导致现有数据捕捉及分析方法无法有效应用图像数据，使创面评估仍然依靠手工测量和经验诊断，导致感染风险和护士工作量显著增加[12]。众多研究显示，能够帮助解决以上问题的方法就是人工智能[13]。人工智能可利用大量的数据样本自动提取高级特征并通过更有效地组合低级输入来学习分层表示。其研究范畴包括机器学习（machine learning，ML）、深度学习（deep learning，DL）、专家系统（expert system，ES）、自然语言处理（natural language processing，NLP）等[14-15]。国内外学者利用人工智能相关技术，自动获取压力性损伤诊疗记录中的纵向信息，挖掘压力性损伤结构化文本数据，分析压力性损伤发展进程与相关影响因素的关系，建立预测模型；
还将人工智能与已有的信息系统进行功能整合，提示护士进行护理干预，规范护理流程；
利用机器学习和深度学习强大的图像解析能力，实现压力性损伤创面图像的分割、组织分类与面积测量，辅助医护人员进行临床决策[16-17]。

2.1 风险预测模型 由于大部分压力性损伤可预防且预防支出显著低于治疗支出，因此压力性损伤预防重于治疗已成为全球共识[18]。近年来，众多学者利用机器学习和深度学习构建压力性损伤风险预测模型，通过数据挖掘，找出压力性损伤高危因素，实现压力性损伤早期预防，其预测准确性高于单独使用压力性损伤风险评估量表[19-20]。张倩莹等[21]使用多层全连接神经网络，根据收集到的474 例病人数据（数据包括术前压力性损伤风险评估、实施的护理措施、手术过程和术后压力性损伤状况评估）预测病人术后发生压力性损伤可能性，从而为术前护理提供参考。杨青等[22]收集611 例被评估为压力性损伤高风险的肿瘤病人资料，将是否发生难免性压力性损伤作为因变量，年龄、性别、Braden 评分、难免性压力性损伤风险因素（高度水肿、恶病质、二便失禁、强迫体位等)作为自变量，利用决策树模型构建难免性压力性损伤风险预测模型，该模型共构建6 条分类规则，筛选出4 类高危压力性损伤人群，模型的受试者工作特征（ROC）曲线下面积(AUC)、灵敏度、特异度均优于单独使用Braden 评分。Alderden 等[23]用随机森林算法构建重症监护室（ICU）病人压力性损伤风险预测模型，发现血红蛋白水平、肌酐水平、体质指数、手术时间和年龄为ICU 病人发生压力性损伤的影响因素，其中手术时间是影响压力性损伤发生的最主要因素。宋杰[24]通过决策树、随机森林、支持向量机、人工神经网络分别构建预测模型,结果表明4 种模型都有较好的预测效果，横向对比发现随机森林模型的效果优于其他3 种模型,模型准确率、召回率、精确率均高于99%。

总的来说，压力性损伤预测模型的预测性能和适用性整体较好,可将其应用于临床实践,提醒护士对病人进行个性化干预。但研究结果同时也提示医护人员与压力性损伤发生直接相关的影响因素多不可干预,因此护士将预测模型应用于临床工作时,应结合压力性损伤高危人群的特点，及时优化并持续校准预测模型。此外，大部分基于最大似然估计的预测模型缺乏外部验证，其研究结果在不同群体的适用性存在较大的局限，未来可针对已构建的预测模型进行外部验证，将极大地提高其应用价值。

2.2 临床决策支持系统 在压力性损伤管理工作中，护士需将病人病情与护理常规、工作流程匹配后做出决策，但病人数量与病情的复杂性的增加、护理新技术的实施等因素极大影响了临床决策的准确性和连续性。临床决策支持系统（clinical decision support system,CDSS）指基于人机交互的医疗信息技术应用系统，旨在为医生和其他卫生从业人员提供临床决策支持，包括知识库和非知识库两种类型[25]。

知识库CDSS 的建立常基于专家系统，使用已被验证的知识（如指南、风险计算器、原始研究等）来建立路径，从而制定个体化的推荐决策。大部分知识库CDSS 包含人机交互界面、知识库、推理机3 个部分，用户通过人机界面输入病人相关信息，推理机输入的信息与知识库中各个规则的条件进行匹配，并把被匹配规则的结论存放到综合数据库中，最后将最终结论呈现给用户。Dowding 等将CDSS 嵌入护理病历系统，形成了包括计算机化的医嘱输入、护理文档、风险评估工具为主 CDSS，结果发现可提高住院病人压力性损伤风险评估率与降 13% 院内获得性压力性损伤发生率[26]。刘佩[27]组建多学科团队，搜集循证证据，利用该院压力性损伤管理系统，设计压力性损伤风险预警评估系统和报告系统，对病人进行评估后会显示风险等级，并自动生成循证护理干预措施。护士长根据压力性损伤相关描述、护理措施及落实情况,确定是否进行护理会诊后提交。夏冬云等[28]基于压力性损伤领域知识库和护理文书数据库，整合领域内先进的理论知识和数据，通过人机交互，智能判断病人存在压力性损伤风险，匹配所对应的预防及护理措施生成护理任务。

非知识库CDSS 往往基于机器学习，通过大量的数据和算法来训练模型。Cho 等[29]将贝叶斯网络模型与该院正在使用的压力性损伤管理的应用程序、电子健康记录系统相链接，使压力性损伤预测功能嵌入压力性损伤管理系统，并对866 例ICU 病人进行干预，结果显示与未使用CDSS 时相比，医院获得性压力性损伤的患病率从21%下降到4%。Kim 等[30]研发了预防和护理皮肤及口腔黏膜压力性损伤的CDSS，该CDSS 采 用 临 床 流（clinical stream）和 认 知-行 为 流（cognitive-behavioral stream）的设计理念，利用机器学习算法学习病人相关数据，在临床流中，根据编码的临床知识对病人数据进行解释并得出相关结论，用户决定做什么，而这些临床建议会影响认知-行为流；
在认知-行为流中，根据编码的认知行为知识对用户数据解释并得出结论，用户可得到压力性损伤的分期诊断和干预建议。结果显示，试验组护士压力性损伤预防及护理表现水平和口腔黏膜压力性损伤的分期能力优于对照组，并且交互式的设计理念使护士压力性损伤执行性得分也有所提高。

目前，国内主要构建以电子病历等医院信息系统数据作为资料来源，以循证证据（知识库）作为决策依据，这种知识库CDSS 的虽然通过人机交互的方式也能实现预警提示、措施提醒等功能，但因较少采用人工智能技术，因此不能高效地捕捉新发数据，所有信息的采集、编译、整理及规则均需人工完成，维护成本高昂，且存在信息更新时效性不强的问题[31-33]。

2.3 创面分析 对压力性损伤创面面积、深度以及创面组织类型进行准确诊断和评估能帮助护理人员更加客观评估压力性损伤分期以及选择治疗方式[34]。传统评估方式高度依赖护士个人知识储备和工作经验，不仅增加了工作量，且测量过程可能给病人带来痛苦，结果可靠性也参差不齐。常旭等[35]利用卷积神经网络设计研发了难愈性创面人工智能辅助系统（HAIMed），将HAIMed 与透明膜勾边法的创面测量结果进行比较，显示差异无统计学意义，说明HAIMed 系统可靠性高。该系统不仅能测量创面面积，还可实现储存图像、对比评估、病人管理的功能，实现难愈性创面管理一体化。Veredas 等[36]提出了一种基于人工神经网络和贝叶斯分类器的伤口图像自动组织分类系统，使用平均移动和区域生长技术来分割溃疡的区域。将颜色和纹理特征提供给一组k个多层感知器和贝叶斯分类器，对溃疡图像中不同类型的组织进行分类，准确率达到91.5%。Begona 等[37]利用3D 卷积神经网络对压力性损伤创面组织进行分割与分类，在对193 张彩色压力性损伤图像进行了训练和测试后，分割结果显示Dice相似系数（DSC）为92%，AUC 为95%。创面分割后，还可提取3 种不同的溃疡组织，即肉芽形成（红色）、坏死的焦痂（黑色）和腐肉（黄色）组织。创面评估还可为压力性损伤愈合过程提供依据，Filko 等[38]使用一种用于创面分析和处理的 APP。输入压力性损伤图像后,用户手动对其分割,然后系统使用统计模式识别算法和创面测量,对组织进行分类和愈合评估。Noguchi等[39]通过细胞分子学图像处理技术与k-均值聚类或支持向量机分类算法相结合，可提取伤口的纹理特征并分析，进而显示伤口愈合过程中发生的细微变化。

人工智能+伤口测量技术有助于医护人员监测压力性损伤的发展和愈合过程。但是，这些伤口也表示着病人已经发生压力性损伤，这是医护人员不愿意看到的结果。因此，未来的研究需要优化技术，以便可以通过湿度、温度等，能在早期阶段评估压力性损伤，而不仅仅是依靠图像。人工智能在压力性损伤中的应用现状总结见图1。

图1 人工智能在压力性损伤方面的应用

3.1 压力性损伤图像数量和质量难以保证 压力性损伤数据数量和质量直接影响研究结果。有别于眼科疾患、阿尔茨海默病等疾病有独立的开源图像数据库，目前国内外尚未建立标准且拥有大量压力性损伤图像的数据库[40-41]。原因可能在于压力性损伤图像属于光学三原色（RGB）图像，对其采集的设备包括各种手机、数码相机、平板电脑等，不同设备参数不一使压力性损伤图像同质化难以保证，且拍摄过程还受环境、病人体位以及拍摄者偏好等因素的影响，也难以保证图像质量。国内外研究者使用的压力性损伤图像大多来自科室既往的压力性损伤图像和网页检索结果，图像之间存在巨大差异，直接影响人工智能学习效果[42]。对此，我国可建立专门的压力性损伤甚至是多种类型伤口的数据库，制定统一的拍摄标准和流程，尽可能还原伤口本来的色彩和大小，以便后续研究的开展。

3.2 护士知识水平提升效果不足 护士是压力性损伤管理的直接参与者，但一项Meta 结果显示，将CDSS 整合到工作流程中后，没有发现其对护士相关知识的显著影响[43]。也有研究表明，护士在使用人工智能管理压力性损伤时，并没有基于循证的知识，仍严重依赖个人与同行交流所得的经验[44]。这说明人工智能+压力性损伤在促进护士能力发展的作用仍然有限。因此，有必要开展人工智能对护士影响的高质量质性研究和量性研究，充分了解护士对人工智能产品的使用感受，以此来优化CDSS 及其他产品的性能。

3.3 压力性损伤远程项目开发少 近年来，国家不断提倡全民健康服务和延续性护理的理念，远程医疗逐渐引起重视。但与国外相比，国内人工智能+压力性损伤的研究主要围绕院内压力性损伤的防治，尚未深入探讨人工智能+压力性损伤在远程护理服务中的应用现状。其原因可能是人们还未充分认识对远程医疗对于压力性损伤防治的重要性。国外研究者利用支持向量机算法开发了压力性损伤远程医疗自动诊断系统，该系统与远程医疗设备结合，可获取数据并分析压力性损伤各分期的演变，不仅提高了压力性损伤管理效率，还帮助护士解决了异地诊疗的困难[45]，由此可见，远程医疗是实现院外压力性损伤的有效管理的重要举措。今后可尝试将人工智能直接应用于医院-社区-家庭的三级压力性损伤管理模式中，远程指导照护者居家进行伤口护理。

人工智能是压力性损伤管理实现信息化、智能化的必要技术，人工智能+压力性损伤在降低压力性损伤发生率、促进创面愈合、减少医疗支出等方面发挥了重要作用。但人工智能在我国医疗领域的起步较晚，且大部分人工智能+医学的研究由医生主导，医护之间对于人工智能的理解与应用存在鸿沟。今后，护士应积极融入人工智能的大环境，了解护理过程中产生的数据意义，并参与护理大数据的管理，从而使人工智能更好地融入临床护理服务，优化护理实践。

猜你喜欢创面人工智能护士最美护士安徽医学(2022年10期)2022-11-12最美护士安徽医学(2022年9期)2022-09-23最美护士安徽医学(2022年8期)2022-08-25最美护士安徽医学(2022年7期)2022-07-28rn-bFGH（盖扶）对创面修复的影响云南医药(2019年3期)2019-07-25创面治疗新技术的研发与转化应用系列丛书创伤外科杂志(2019年9期)2019-03-242019：人工智能商界(2019年12期)2019-01-03人工智能与就业IT经理世界(2018年20期)2018-10-24数读人工智能小康(2017年16期)2017-06-07下一幕，人工智能！南风窗(2016年19期)2016-09-21