基于机器学习的人工智能技术在压力性损伤管理中的应用进展

凌 敏，章 晋，王霄一，潘晓巍，叶 群，李 惠

压力性损伤(pressure injury,PI)是发生于皮肤和(或)潜在皮下软组织的局限性损伤，通常位于骨隆突处，临床表现为完整的皮肤或开放性溃疡，可伴有疼痛，是由强烈和(或)长期的压力或压力联合剪切力造成的[1]。临床领域将医院获得性压力性损伤作为护理质量的指标之一[2]。据研究，发达国家压力性损伤发生率达7%～14%，发展中国家达8.3%～12.5%[3]。压力性损伤不仅会引起病人的身体并发症，导致不良的临床结果，还会增加医疗费用，导致心理和社会问题[4]。随着医疗信息技术的发展，医疗机构人员为有效管理压力性损伤，与工程师合作开发了信息化管理系统[5-6]。在使用压力性损伤管理系统中会产生庞大而复杂的数据和图片信息，逐渐兴起的人工智能(artifical intelligence,AI)机器学习(machine learning,ML)对其高效处理并重新利用已成为新趋势[7]。现综述人工智能机器学习在压力性损伤临床管理中的应用进展,以期为临床实践提供参考。

1 人工智能机器学习的内涵

人工智能属于计算机科学的一个分支，通过模拟人类的思维方式、知识存储及学习能力，构建出无须人类过多干涉的智能实体[8]。人工智能作为当今最具变革性的技术，经过不断地发展，形成了包括结构化数据的机器学习、深度学习及非结构化数据的自然语言处理等不同分支[9]。例如常见的实验室数据和生命体征属于结构化数据，医嘱记录、影像资料属于非结构化数据[7]。机器学习是实现人工智能的方向之一，其原理是利用算法从庞大的数据中学习规律，实现对未知样本的预测[9]。与传统算法的不同之处在于机器学习可从繁杂的变量中发现其潜在关系并进行鉴别、建模，使工作效率迅速提升，现已成为医学领域常用的研究方法之一。机器学习中最杰出的代表是深度学习，它以神经网络为核心，不仅具有强大的特征提取能力，还能够更加容易地找到隐藏在数据中的规律，进而辅助人类的决策[10]。目前较热门的人工神经网络、深度学习、支持向量机、卷积神经网络、随机森林、反向传播神经网络等均属于机器学习[11]。人工智能技术作为第4次科技革命的重要组成部分，已应用于生活中的众多方面，如人脸识别、语音识别、无人驾驶、机器人等[12]。同时，人工智能技术广泛应用于医疗的各个领域，如决策支持、生物医学、医学成像、药物研发、精准医疗等方面都取得了的成就，推动医疗管理由制度化管理向数据化、精准化、智能化管理方向转变发展[13-15]。

2 人工智能机器学习在压力性损伤预测模型中的应用

虽然目前针对压力性损伤的治疗方案研究广泛，但由于其治愈率低、治疗成本较高，压力性损伤的预防尤为重要[16-18]。传统的风险预测方法通常预先设定纳入排除标准、定期随访、收集数据和评估结果的判定标准[19-20]。随着数据量的增长，再加上特定指标的自身局限性，传统的风险预测方法无法充分利用分外的、繁杂的非结构性数据[21]。机器学习算法可高效利用大量的临床信息数据建立压力性损伤预测模型，如Hu等[22]收集住院病历11 838份，研究利用机器学习技术构建3种住院压力性损伤预测模型，包括决策树、逻辑回归和随机森林算法，实验结果和模型评价表明，采用随机森林算法建立的预测模型具有最优的分类性能，为0.845。这项研究构建了住院压力性损伤的预测模型，并进行实证分析，了解住院压力性损伤的关键危险因素，可以作为压力性损伤高危人群的筛选工具。这表明机器学习技术可以提取各种类型的隐藏信息，克服了典型统计分析的缺点，其准确性比决策树算法和逻辑回归更高。

目前，临床护理人员仍使用传统的压力性损伤评估工具(如Braden量表)，评估过程不仅耗时，其主观性也在一定程度上影响评估的准确性。为避免传统压力性损伤评估费时、主观性强的弱点，可基于机器学习算法构建压力性损伤预测模型，从而有效提高压力性损伤预测准确性。国内外学者将不同的机器学习算法应用于压力性损伤模型的构建研究。Nakagami等[23]使用逻辑回归、随机森林、线性支持向量机和带有5倍交叉验证技术的极端梯度增强(XGBoost)4种机器学习算法建立风险预测模型，受试者工作特征曲线(ROC)显示XGBoost模型的预测性能最好，在4种分类器中灵敏度最高，为(0.78±0.03),ROC曲线下面积(AUC)为(0.80±0.02)。Song等[24]收集来自一家大型综合医疗机构下属5家不同医院的电子健康记录数据，包括护士输入的完整评估记录，使用Logistic回归、支持向量机、随机森林和神经网络开发基于机器学习的压力性损伤预测模型。通过五倍交叉验证评估模型的性能，结果表明随机森林模型表现最好，2个测试集的AUC为0.92和0.94，该模型可以准确地预测压力性损伤的发展，如果今后经过外部验证，可能有助于广泛的压力性损伤预防。

因此，将机器学习算法应用于临床压力性损伤风险预测模型的构建，不仅可以高效利用医疗信息系统中的数据，实现自动检测和实时监测，还可以提高压力性损伤预测的准确性，从而降低压力性损伤的发生率。

3 人工智能机器学习在压力性损伤创面评估中的应用

3.1 压力性损伤创面分割与测量 由美国压力性损伤咨询委员会制订的2019版压力性损伤预防与治疗指南中，压力性损伤被分为4期[25]。当压力性损伤处于第3期或第4期时，传统监测评估方法包含侵入性操作，测量结果往往存在一定的误差[26]。随着人工智能机器学习算法在处理图像数据方面的持续发展，已实现对创面进行自动分割测量、客观评估等技术[27-29]。有研究将创面分为肉芽、坏死焦痂和蜕膜组织，利用深度学习架构的3D卷积神经网络(CNN)提供了基本的视觉特征，对193张压力性损伤彩色图像进行了训练和测试，结果显示，Dice相似度系数(DSC)为92%，AUC为95%，该模型有使用前景[27]。Veredas等[28]收集了临床中5 000张压力性损伤创面照片，将其与机器学习中的贝叶斯算法结合，构建了创面测量工具，还解决了光线对创面图像数据收集影响。Chang等[29]基于超像素分割辅助标记从卷积层中对2 836张压力性损伤图像进行组织分类提取特征，在5 个流行的DL模型(U-Net、DeeplabV3、PsPNet、FPN和MaskR-CNN)中，DeeplabV3在两项任务上都表现最好，精度为0.991 5，对组织分类的准确率为精度为0.988 8。医护人员在收集压力性损伤创面数据的同时还能够测量创面面积的变化，为开展之后研究奠定基础。

3.2 压力性损伤创面评估 随着压力性损伤管理不断地与人工智能领域技术融合，对压力性损伤的图片、护理记录等非结构性数据进行分析技术逐步发展。通过算法将创面情况数据化，可以准确、高效地对压力性损伤进行非侵入性评估和监测。Chang等[29]基于超像素分割的深度学习辅助标记，利用5种DL模型(U-Net、DeeplabV3、PsPNet、FPN和Mask RCNN)和编码器(ResNet-101)在采集的2个数据集上进行训练，对2 836张压疮图像进行组织分类，对2 893张压疮图像进行伤口和re-ep分割，可实现自动诊断压力性损伤。Veredas等[28]使用4种机器学习算法对压力性损伤创面进行分析，结果显示支持向量与随机森林模型的创面分析效果较好。Silva等[30]利用支持向量机与超像素分割对105张压力性损伤图像进行实验，结果平均准确率为96%，灵敏度为94%，特异性为97%，精度94%，优于当前基于深度学习的方法，并可扩展到组织分类。随着我国医疗信息技术不断升级，医疗决策与医疗设备结合已成为趋势。

3.3 人工智能机器学习评估压力性损伤创面的挑战 作为一项具有变革性的新技术，人工智能机器学习的研究充满挑战。首先，在不同的研究实验中不同研究者的拍摄距离、角度、光照对研究结果存在影响，今后相关技术研究可考虑使用客观指标解决，以便后续研究者对比。其次，在不同的应用场景中可能会有创面以外的图像被纳入，能够完全区分鉴别伤口以外的图像是人工智能机器学习研发的重点。在临床应用中还发现当压力性损伤处于高分期时利用机器学习算法无法准确测量位于皮下深层的窦道和潜行面积。然而，数据的准确性决定了之后的图像分析结果以及预测工具的准确程度。因此，如何减少人工智能技术的该误差，仍有待进一步探索。

4 展望

我国压力性损伤管理逐步进入大数据时代，庞大复杂的数据也随之而来。当传统的技术不能对此类数据有效提取和重新利用时，机器学习算法则开辟了一个新方向，在压力性损伤管理领域具有广阔的前景。在国外，机器学习算法在压力性损伤管理中已取得了一定的成果。基于机器学习算法的压力性损伤创面检测技术、风险预测模型等方面的研究，提高了压力性损伤防治有效性及准确性，使压力性损伤的信息化管理更具科学性、客观性、特异性和便捷性，为压力性损伤管理领域带来全新的突破,为压力性损伤预防及管理注入新的力量。