机器学习在住院跌倒安全管理中应用的研究进展

黄子菁，王 颖，何 梅，鲁志卉，马婉秋，蔡 悦，张昕悦，崔梦影

1.华中科技大学同济医学院附属同济医院，湖北 430030；2.华中科技大学同济医学院护理学院

跌倒是医院病人安全管理的重要内容[1]。据报道，2017 年我国490 所三级甲等医院共发生18 024 例跌倒事件，跌倒伤害率达73.68%，导致病人住院时间延长、生活质量下降、医疗资源使用增加等[2]。及时监测跌倒并实施跌倒后规范化处理，可有效保障病人安全，提高医疗质量[3]。目前跌倒事件管理在数据收集与分析上存在跌倒监测延时、主动上报障碍、文本数据分析困难等问题[4-5]。机器学习是由算法驱动的数据分析方法，通过学习大量病人运动参数或临床资料，探寻规律并构建模型，从而实现跌倒相关数据挖掘、分析与预测[6]。其被广泛用于行为监测[7]、图像识别[8]、文本挖掘[9]、临床结局预测[10]等领域，可进行实时姿态监测和跌倒相关医疗大数据挖掘，从而监测跌倒并辅助跌倒后处理。既往研究关注不同机器学习算法在跌倒风险评估和社区人群跌倒监测中的使用，未充分探讨机器学习在住院跌倒人群管理中的应用。现对机器学习算法进行概述，综述其在住院跌倒监测及保护和跌倒后规范化处理中的应用进展，为实现信息化医院的跌倒安全管理提供参考。

1 与跌倒安全管理相关的机器学习算法

机器学习可通过图像监测[11]、环境信息监测[12]和可穿戴式传感器监测[13]实现跌倒监测及保护的目的，即采用摄像机、红外/地面/声音传感器、可穿戴式传感器测量人体物理属性，经算法分析病人是否处于跌倒状态，通知医护人员开展救治或启动跌倒保护装置；通过电子健康记录（electronic health record，EHR)分析[14]达到跌倒后规范化处理的目的，收集病人人口统计学、病史、药物、实验室数据、放射学报告、费用信息等数字化诊疗护理记录，经算法挖掘跌倒相关数据的内在关联，从而辅助临床决策、规范上报流程和分析大数据等。目前跌倒安全管理领域常见机器学习算法包括支持向量机（support vector machine，SVM）、人工神经网络（artificial neural network，ANN）、决策树、随机森林、K-近邻（k-nearest neighbors，KNN）、深度学习等。

1.1 SVM

SVM 由Vapnik 等于1995 年提出，是根据有限的样本信息在二维平面中寻求最优超平面的监督学习方法[15]。SVM 主要应用在可穿戴式传感器监测[16]和跌倒文本分析[17]方面。任宇飞[18]通过智能手机内置传感器采集12 名志愿者站立、行走、跑步、爬楼和跌倒状态时的加速度数据，基于SVM 建立防跌倒系统，包括用户信息设置、运动实时监测和跌倒报警模块，可实时监测用户跌倒状况并向紧急联系人发送包含位置信息的求助短信，准确率达98.33%。后续可在临床逐渐推广使用以SVM 为基础算法的可穿戴式传感器设备，及时向护士站发送病人跌倒警示，降低跌倒伤害发生率。SVM 是住院跌倒安全管理研究中使用频次较高的算法，综合性能优，适用于解决小样本的二分类问题，如区分跌倒和日常活动，其模型简单，计算量小，但对大样本数据处理困难。

1.2 ANN

ANN 由McCulloch 和Pitts 于1943 年提出，是一种参照人脑神经元处理信息原理设计的算法[19]。ANN 主要用于辅助临床决策。夏丽霞等[20]基于Bonczek型决策支持系统框架结构，设计以ANN 为模型的护理决策支持系统，建立以跌倒等护理敏感结局指标为指标层的护理综合评价决策指标体系，在护士输入病人信息时，提供评估、诊断、干预、结果指标评价等方面建议。可将ANN融入临床决策支持系统（clinical decision support system，CDSS），根据输入的跌倒病人信息判断病情严重程度及预测预后，满足危重病人快速诊治需求，为后续开具影像学检查、调整护理级别等诊疗护理计划提供决策建议，促进医疗资源合理分配。ANN可用于捕捉各变量间的非线性关联，挖掘病人数据中隐藏的复杂数据关系，模型灵敏度、精确度和特异度较高，但对样本量需求较大，成本偏高，计算效率较低。

1.3 决策树及随机森林

决策树由Quinlan 于1986 年提出，是从未知数据中推理分层规则，并用树形图表达的预测模型[21]。随机森林由Leo Breiman 于2001 年提出，是由大量决策树组成的监督学习算法，使用投票策略进行分类和预测[22]。两种算法在跌倒监测[23]及数据挖掘[24]领域有一定应用。Nenonen[25]将决策树模型作为数据挖掘工具，将性别、年龄、职业、工作过程、具体身体活动等作为输入变量，分析职业事故和疾病统计数据库中的跌倒工伤事故，结果发现，与静止物体撞击、25～54 岁、机械制造操作工作等是其跌倒工伤特点，最常见的伤害为脱臼、扭伤和拉伤，恢复时间为4～30 d。与传统逻辑回归模型相比，使用决策树/随机森林挖掘电子健康记录内跌倒相关信息并分析住院病人跌倒及跌倒经济负担影响因素时，信息收集难度较低，计算效率较高，分析结果准确性较高，有利于据此提出针对性科室整改措施，降低院内跌倒发生率[26]。决策树/随机森林适用于小型数据集，优点是易于理解和解释，能直观反映各变量对跌倒发生的影响程度，适合非计算机专业人士使用。决策树效率更高，但易过度拟合，忽略各变量间的相关性，不适合处理连续变量及存在数据缺失的样本。随机森林可避免决策树的过拟合问题，适用于离散和连续型变量，处理相关变量具有较强抗干扰能力，但较难处理含大量噪声、过多冗余变量的数据[27]。

1.4 K-近邻

K-近邻由Cover 和Hart 于1967 年提出，假设相似事物存在于极其接近的位置，是求解分类和回归模型的监督学习算法[28]，主要用于跌倒监测领域。华仙等[29]通过佩戴在6 名年轻受试者前胸及后腰部的无线传感器测量其模拟13 种跌倒类型和11 种日常活动时的加速度，基于K-近邻构建跌倒监测模型，持续监测跌倒事件，特异度达99.76%，并在某三级甲等医院试用。K-近邻可用于实时监测独居老年人或住院跌倒高风险老年人。K-近邻算法简单，是跌倒监测领域除SVM 外的常用算法，其同样适用于小型数据集，但与SVM 相比计算速度更快，识别跌倒准确率略低。

1.5 深度学习

深度学习由Hinton 等于2006 年提出，是由ANN发展而来的训练深层结构模型的新兴方法，以卷积神经网络（convolutional neural network，CNN）为代表[30]。近年来被广泛应用于图像监测。金玮等[31]通过高速通信技术获取模拟医院内摄像头拍摄的7 987 份视频样本，基于CNN 对单人及多人情境下提取的25 个人体关键点进行正常、跌倒、平躺等姿态识别，当前后帧画面分别为跌倒和平躺时示警，准确率达99.75%。深度学习在医院门诊、急诊、病房走廊等公共场合的跌倒监测方面具有较好应用前景。深度学习是未来发展趋势，其更具智能性，可以自动从原始图像中提取特征，无须人工参与，识别跌倒行为精度较高，但模型构建需要大样本数据支持且耗时较长，对硬件设备要求较高，适用于大型数据集。

2 机器学习在跌倒监测及保护中应用

2.1 信息化监控系统

已有研究指出，病人跌倒伤害主要发生时间为夜晚和凌晨，此时间段护理人力资源薄弱，存在延时发现跌倒的问题[32]。机器学习能实时监测跌倒事件并发出警报，缩短伤者送医时间，以降低跌倒者受伤害程度[33]。为保护病人隐私、减轻医护人员工作负担，院内不同场所需采用不同监控模式。对于病房、走廊等公共区域发生的意外跌倒事件，孙颖等[34]采用图像监测的方法，布设摄像机收集113 例跌倒病人（包括脑卒中、帕金森病、躁狂症、术后麻醉病人）头部、躯干、四肢位置变化信息，基于CNN 构建病人全身关节点检测与骨架提取模型，用于自动监测病人跌倒情况，并实时报警，监测准确率达96%。对于坠床等存在躯干及四肢被床褥遮挡情形的病房内跌倒事件，赵峰[11]提出深度网络坠床监测方法，采用图像监测的方式布设深度相机监测病人头部位置变化，建立包含594 个行为数据样本的坠床数据库，通过深度学习实现多人场景及身体遮挡情境下的实时坠床监测，准确率达93.70%。在厕所等私密场所，Werthen-Brabants 等[12]应用环境信息监测方式，采用环境传感器收集20 例测试对象在模拟病房内13 359 个活动的微多普勒特征，基于深度学习构建跌倒监测模型，达到实时监测、预警和保护病人隐私的目的。针对非跌倒高风险人群，医院等大型公共场所多采用能自动监测多人情形的图像监测和环境信息监测方法，跌倒识别准确率高，可以实时向医护人员发出警示，以便其开展快速救治，降低病人死亡风险，但其尚无法识别抽搐、休克等复杂跌倒情形。

2.2 跌倒即时保护装置

部分跌倒病人会出现中重度损伤，尤其是侧向跌倒和后向跌倒病人更易发生髋部骨折和后脑损伤，极大地降低了老年人生活质量和预期寿命[35]。跌倒即时保护装置对内部算法的可预见性要求较高，需在跌倒病人与地面接触前启动保护装置。将机器学习算法与防护气囊等保护装置相结合，基于可穿戴设备监测，可预先识别跌倒行为，启动气囊装置保护跌倒病人重要部位，降低跌倒对病人造成的伤害程度。余维维等[13]采用可穿戴设备监测，通过穿戴在腰部的惯性传感器采集12 名志愿者模拟的231 份日常动作和144 份跌倒动作数据，设计结合阈值和SVM 的跌倒预先识别方法，可以提前256 ms 识别跌倒行为及方向，并在病人发生侧向和后向跌倒时触发气囊，准确率达98.9%。除与防护气囊相结合，针对穿戴假肢的跌倒高风险人群，陈国兴等[16]提出了将机器学习与假肢保护装置相结合的设想，通过SVM 分析假肢穿戴者重心加速度、脚加速度和髋关节角度，提前识别绊倒和滑倒，并启动动力型假肢保护装置，如实施抬腿、降腿、向前支撑等保护动作，避免跌倒伤害的发生。针对院内跌倒高风险人群，可采用针对单人情形的可穿戴设备监测，穿戴跌倒即时保护装置，在病人跌倒时防护其易受伤部位，防止或减轻跌倒伤害。

然而，在跌倒监测及保护研究对象与场所方面，现阶段机器学习的应用更偏向理想化场景，多选择20～40 岁的志愿者在模拟医院环境的实验室进行跌倒模型训练，缺乏大样本真实世界住院老年人的跌倒数据，今后还需结合老年跌倒病人步态、关节活动等特征和具体临床场景进行住院跌倒监测模型改进与优化[6]。

3 机器学习在跌倒后规范化处理中的应用

3.1 CDSS

CDSS 是一种智能化过滤病人信息和表达特定诊疗护理意见的计算机系统，可以协助医护人员进行临床决策[36]。将机器学习融入CDSS，可弥补目前CDSS存在的智能化不足问题，准确判断因跌倒入院病人的病情严重程度，辅助医护人员预测病人临床结局，做出出院或治疗的临床决策，提高工作效率。Young 等[26]采用电子健康记录分析的方式，回顾性收集了4 725 例因跌倒入院病人电子健康记录中的人口统计学信息、损伤特征和生理学指标，分别通过Logistic 回归、决策树和随机森林建立病人死亡和出院概率预测模型，结果显示，随机森林预测效果最优，高死亡率预测指标为低肢体运动、低语言反应、高呼吸频率等，高出院率预测指标为男性等，可用于预测跌倒病人预后，为合理分配医疗资源提供依据。此外，机器学习也可协助医护人员决策跌倒病人是否需行CT 检查，给予合理的诊疗措施。一项单中心回顾性队列研究以514 例跌倒后出现轻度颅脑损伤的老年病人为研究对象，结果显示，将性别、痴呆、阿司匹林或抗凝剂使用情况、锁骨上方损伤、跌倒类型等数据输入ANN 模型中，可预测跌倒病人头部CT 结果是否异常，从而辅助决策该病人是否需行CT 检查[37]。从医护工作层面来看，将机器学习应用于急诊CDSS，可实现对跌倒入院病人的预检分诊和诊断提示，自动生成结局预测和诊疗护理意见，辅助医护人员做出临床决策，降低危重病人漏检率，优化医疗资源供给。但需注意，机器学习仅为辅助决策技术，医护人员仍是决策主体，人工智能的问责制和安全性需进一步完善。

3.2 跌倒事件上报系统

目前临床上多采用护理不良事件系统进行院内跌倒事件上报，存在上报标准不统一、瞒报等问题[38]。对护士而言，机器学习可用于规范跌倒上报内容，并解决报告质量不佳与细节欠缺的问题。Klock 等[17]收集了病人安全组织机构的2 046 份跌倒报告，分别利用SVM、随机森林、深度学习构建跌倒报告质量评分系统，从目击者、调查记录、受伤类型、呼叫铃、鞋类等13个方面评估跌倒报告，为上报护理人员提供即时评分，帮助其发现缺失信息并进行相应修改，结果表明，大多数报告质量一般，未描述跌倒细节，目前SVM 模型总体表现最优，未来报告质量提高后，深度学习应用前景更优。对病人而言，机器学习分析病人主动上报的病历资料，判断是否发生跌倒等不良事件，可促进病人参与跌倒管理，降低瞒报发生率。钱雷鸣等[39]设计以病人为报告主体的不良事件查询与报告系统，病人输入其一般资料、诊疗信息、康复状况及预期不良事件发生情况等资料，经过ANN 加权运算，可及时分析诊疗过程是否存在不良事件，同时系统会自动将数据传至上级监管机构，为后续调查取证提供数据支撑。可见，机器学习可提高护士跌倒上报报告质量，促进病人参与安全管理，为改进护理工作流程、追踪病人跌倒原因并采取针对性预防措施提供数据基础。

3.3 跌倒事件追踪分析

目前跌倒事件相关数据数量激增，类型复杂，结构化数据和非结构化文本数据并存，导致追踪时存在人工分析标准不统一、工作负荷大、漏检、信息滞后等问题[40]。机器学习可通过识别非结构化文本信息，对跌倒事件上报文本进行分析，实时追踪跌倒相关信息，分析跌倒伤害严重程度。葛晓伟等[14]通过提取国内某三级甲等医院护理不良事件上报登记系统中11 237 条上报信息，开发基于CNN 和SVM 的中文护理不良事件文本分类模型，有效判断上报事件是否属于提前制止、无伤害、轻微伤害、中度及以上伤害事件，实现对单个跌倒案例的纵向追踪及对全院跌倒病人的横向追踪。跌倒相关信息不仅存在于上报系统中，对跌倒事件的追踪不应局限于小部分文件类型。McCart 等[41]通过收集单中心2 241 例门诊病人入院48 h 内的临床文件，采用逻辑回归和SVM 构建门诊跌倒文本挖掘模型，实现了对611 种文档类型中跌倒信息的自动追踪、提取、分析，同时发现仅追踪常见文件将遗漏半数跌倒信息。提示可以采用机器学习分析急诊记录、初级保健记录、分诊记录、护理记录等不同格式的文件，多维度、全过程追踪跌倒病人的诊疗流程，降低跌倒信息遗漏率。从管理层面来看，将机器学习部署于医院护理不良事件系统，有利于数据的实时汇集、分析及共享，有效识别临床文本数据中隐藏的跌倒相关信息，实现区域或国家范围跌倒数据统计，识别并改进护理管理缺陷。由于机器学习过分依赖训练数据，应加强对以单中心数据为基础构建的模型推广性的验证。

3.4 跌倒住院费用管控

跌倒造成的经济负担巨大，美国每年跌倒医疗保健支出为874 亿美元[42]。住院费用数据常为偏态分布，采用传统线性回归模型分析存在一定局限性。机器学习可以用于分析因跌倒入院病人的住院费用影响因素。一项回顾性研究以2 所三级甲等医院7 344例跌倒住院病人为研究对象，将病人基本信息、住院总费用、各单项住院费用明细和医保支付费用信息输入决策树建立住院费用预测模型，结果显示，手术次数、住院日、手术类型、受伤部位和受伤类型是造成跌倒病人直接医疗经济负担的主要因素，其也显示了各因素对住院费用的影响路径[24]。从机构层面来看，应用机器学习从卫生经济学角度挖掘分析跌倒病人住院费用影响因素，可以为医疗机构及医保等相关部门合理管控住院费用、降低跌倒病人经济负担、完善医保支付标准提供针对性指导意见。

4 小结

机器学习可预测和识别病人运动状态，分析量性及质性大数据，对住院跌倒监测及保护和跌倒后规范化处理方面有重要意义，其主要应用范围包括信息化监控系统、跌倒即时保护装置、CDSS、跌倒事件上报系统、跌倒事件追踪分析、跌倒住院费用管控，可以为促进信息化跌倒安全管理体系建设提供参考。目前，机器学习在住院跌倒安全管理领域的研究尚处于初级阶段，应偏重收集真实世界数据构建机器学习模型，开展前瞻性多中心临床试验，探讨模型应用对跌倒相关临床结局的影响，比较单一算法和混合算法在不同情境下的优劣，探索模型的适用性、有效性与推广性。此外，应考虑伦理、法律和社会影响，注重数据隐私、安全和技术接受度，保证证据的有效性、结果的公平性以及算法造成伤害的可追溯性。