深度学习在护理领域中的应用研究进展

吴 东，郭俊晨，谌永毅*

1.湖南中医药大学护理学院，湖南 410208；2.湖南省肿瘤医院

《全国护理事业发展规划（2021—2025 年）》明确提出，应充分利用云计算、人工智能（AI）等信息技术，为病人提供便捷高效的护理服务。目前，人工智能技术已在疾病预测与诊断、慢性疾病管理与护理、医学影像识别等方面广泛应用，其中深度学习（deep learning）是实现这个过程的重要技术。深度学习作为人工智能的分支，是以人脑的功能为基础进行模拟、分析和学习的神经网络，其具有强大的学习能力，擅长挖掘高维（即具有几十到几千个属性）数据中的丰富结构。近年来，越来越多的学者开始关注并尝试将深度学习相关技术应用在医疗领域中。本研究就深度学习在临床护理工作、护理管理、护理教育、康复和慢性病管理等方面的应用进行综述，旨在为我国医护人员在临床实践中应用深度学习技术提供参考。

1 概述

1.1 深度学习的概念

深度学习即深度网络学习,作为人工智能领域中一个新兴的研究方向,其概念最早由多伦多大学的Geoffery Hinton 等于2006 年提出[1]，它是指一类算法的集合，通过模拟人脑的分层结构实现对输入数据进行由低级到高级的特征提取，从而能够解释输入数据[2]。深度学习将人类从构建模型的复杂活动中解放出来,并提供一种更优化、更智能的算法,能够自动从海量数据库中进行自我学习,自动调整规则参数并优化规则和模型,识别准确率高[3]。在医疗实践中，深度学习常见的两种模型架构主要为卷积类神经网络和递回类神经网络[4]。

1.2 深度学习的发展历程

深度学习的基础是人工神经网络，其发展迄今为止经历了3 次浪潮，1943—1969 年为启蒙阶段，在此期间各种人工智能的概念被相继提出；1974—2006 年为发展阶段，具有代表性的技术，如反向传播算法、循环神经网络、卷积神经网络等深度生成架构逐步成形；2006 年至今为爆发阶段，深度学习在科学与技术的各个领域开始广泛应用。研究表明，深度学习可协助医护人员从大量的数据中构建各系统疾病的精准预测模型来提取最有利的参数，将烦琐的数据转化为通俗易懂的知识，对提升护理效率和服务质量具有重要意义[5-6]。2013 年有学者将深度学习带入护理工作领域[7]，其在护理领域中被用于优化护理流程[8]、管理ICU 医疗耗材[9]、识别病人临终偏好[10]以及改善安宁疗护照护[11]等内容。自2018 年开始,在医疗领域中与深度学习相关的研究热度急剧升温[12]，其精准性、系统性、有效性已得到初步证实。

2 深度学习在护理领域中的应用

2.1 临床护理

2.1.1 病情观察

临床病人病情瞬息万变，为帮助护士及早发现病人的病情变化，国内外研究人员已构建多种病情预警评估工具，但这些工具都存在缺陷，如包含的生理指标有限、单一时点的评估缺乏连续性、展现病人病情变化趋势较片面等[13]。深度学习技术在病情监测方面的应用为解决上述难题开辟了新的视角。Barrera 等[14]在急性精神健康住院病房引入人工智能技术，研究表明，基于深度学习的数字辅助护理观察可在夜间进行间歇性和每小时护理观察，护理人员可以在不叫醒病人的情况下观察病人在病房中的安全、脉搏和呼吸频率，同时可改善病人在精神病病房的体验。Hannun 等[15]采用深度学习算法开发了一种可检测12 种心律失常的分类模型。Attia 等[16]运用人工智能技术，构建了一款可对窦性心律伴发心房颤动的心电图特征进行预测的深度学习模型，能够对病人进行持续监测。Magi 等[17]利用图像处理和深度学习技术开发出一种可对ICU病人进行实时监控的新型手部监测系统，该系统将病人的手分类为“正常”和“异常”两种,后者表明病人出现手部活动，此时系统会向医护人员发出报警信号，从而让病人得到及时的救治。但目前该系统只适用于手部观察，还未拓展至全身监测。

2.1.2 生存期预测

文献报道，处于疾病终末期的病人希望得到全面、准确的医疗信息,以合理安排人生的最后阶段[18]。人工智能预测模型不仅能辅助病人进行临床决策，还可以协助医护人员为病人进行早期护理及医疗干预。有研究者利用胸片及其他临床因素构建并验证了基于深度学习的慢性阻塞性肺疾病（COPD）病人生存预测模型（深度学习SP），结果显示，此模型在所有队列中均显示出良好的校准度，能有效预测COPD 病人的生存期[19]。Avati 等[11]根据住院病人的电子健康记录（electronic health record，EHR）数据训练了一个深度学习模型，旨在预测病人3～12 个月的死亡率及安宁疗护的照护需求，从而可确定病人安宁疗护的介入时间，为病人更优质地度过临终阶段提供选择和保证。此外，Yang 等[20]训练并验证了一种可穿戴活动记录仪和基于深度学习模式的生存期预测模型，此模型通过分析病人入院后24 h 和48 h 的客观活动数据自动预测终末期癌症病人生存期，其预测的准确率为83%。由此，护理人员不仅可及早发现有死亡风险的病人，为其制定个体化的护理计划，还可以减轻护士在临床中的工作量。

2.1.3 心理护理

在心理护理方面，深度学习被用于构建焦虑、抑郁、情绪分类等精神卫生健康问题的风险预测模型，为病人选择最优的心理干预方法提供依据。Jacobson等[21]以265 例焦虑症病人为研究对象，开发了基于可穿戴传感器的深度学习模型，该模型能有效预测焦虑的发生和症状是否加重，具有一定的临床应用价值。毛小玲等[22]对现有的卷积神经网络模型进行改进，提出一种具备定量逼近学习能力的改进卷积神经网络，并以某高校大学生为研究对象进行脑电波（EEG）测试实验，结果表明，所提出的方案不仅实现了对焦虑情感的精确量化识别，在一定程度上还能利用所得模型对大学生焦虑障碍病人的某些重要内在病理因素进行追溯分析，为后续临床心理护理和心理危机干预提供更详细可靠的诊断依据。研究者基于深度学习情感分类模型对抑郁症病人EEG 信号隐藏节律分布及脑电波变化进行挖掘，并根据EEG 信号判断抑郁症病人现阶段的情感类型、抑郁程度，该模型的构建有助于护理人员明确了解抑郁症病人真实的心理及脑部活动，同时也为病人提供更具针对性的医护方案探明了方向[23]。

2.2 护理管理

2.2.1 分诊管理

目前，我国三级甲等医院的门诊预检量居高不下，门诊病人就诊量大、护理人力资源有限、以人工分诊形式为主，且分诊工作内容复杂，为预检分诊工作带来挑战[24]。有研究证实，利用深度学习技术可在短时间内准确分诊，实现医疗资源优化利用，提高工作效率[25-26]。刘勘等[27]通过病人的主诉及其既往病史记录,构建了一个以卷积神经网络为基础的分诊模型，研究表明，与在分诊阶段直接使用病人的自述文字相比，该方法会存在一定的误差,但仍有助于提高分诊的效率和准确性。周英等[28]利用成熟的医疗知识图谱并结合卷积神经网络算法，构建了智能分诊模型，该模型可识别病人的症状描述，能推理出疾病并推荐相应的科室，准确率达88%。由此可见，基于深度学习的智能分诊模型的建立可有效改善病人服务体验，提高了病人就诊效率，也降低了人工服务成本。

2.2.2 护理不良事件

一项针对8 个中低收入国家26 所医院的研究显示，不良事件发生率约为8%,在这些事件中83%是可以预防的[29]。研究显示，深度学习可从大量无规律的数据中辨析出发生护理不良事件的关键风险因素，能够用于高危人群的筛查，其可操作性较强，为早期预防护理不良事件提供了良好的技术支撑[30-33]。目前已有学者将深度学习运用于护理不良事件的预测模型中，通过深度学习建立的预测模型能够对病人的生理指标进行实时监测与反馈，以便护理人员及时采取有效防范措施，减少护理不良事件的发生[34-37]。Delgado-Escano等[34]以用户原始的人体惯性数据作为深度学习模型中的预测变量，构建并验证了能实时完成跌倒检测和人员身份识别任务的多任务学习跌倒预警模型，结果表明，该模型对跌倒检测和用户身份识别的准确率分别为98.0%和79.6%。研究者通过深度学习技术将实时跌倒检测、跌倒事件回顾、临床决策支持算法和以人为中心的干预措施相结合，使用户因跌倒而去医院的次数减少41%[35]。Goodwin 等[36]构建了一款基于深度学习中递归神经网络的医院获得性压力性损伤风险预测模型，研究结果显示，与经典机器学习算法和Braden量表相比,该模型可提高压力性损伤预测的准确性。Wang 等[37]将卷积神经网络与支持向量机相结合，开发了一种能在5 s 内完成图像数据采集的伤口创面测量工具，其准确率达95.0%，这有助于减轻护理人员管理压力性损伤的工作负荷。

2.3 护理教育

护理教育是学科发展的基础，旨在培养学生以实践能力为主的综合能力，同时护理教育也是护士培养、进修及能力提升的重要环节。王欣等[38]选取101 名专科护生作为研究对象，将基于卷积神经网络的人工智能沉浸式教学方法应用在基础护理教学中，结果显示，该方法可显著提高学生的学习积极性，与传统教学方法相比，能够明显改善学生的临床思维能力和学习效果。用相关软件及深度学习技术分析护理硕士、博士生的学习特点，收集其网页浏览、语音、图像、视频等行为数据信息，通过人工智能深度推荐算法，可预测硕士、博士生的兴趣偏好，智能化推送学习内容和创建个性化教学模式。人工智能与深度学习技术具有较高的数据跟踪与分析能力,逐步在护理教育中发挥作用[39]。有学者提倡在本科和研究生现有的护理教育课程中加入人工智能和深度学习的基础知识(如概念、算法、模型)等内容。对于我国的发展而言，在护理本科、硕士及博士生教育中加入人工智能和深度学习技术，设置相应的课程，构建完善的核心课程体系，培养出有数据利用能力的科研人员是未来的趋势所在[5,40]。

2.4 康复和慢性病管理

康复管理旨在预防继发性残疾和并发症,最大限度提升自理和活动能力,帮助病人早日回归正常生活。Chae 等[41]研发了一种智能穿戴设备和基于深度学习模式的上肢家庭康复系统，有望成为未来脑卒中病人家庭护理治疗的一种实用且经济的康复工具。Liao等[42]提出一种利用深度学习技术实现对人体康复训练质量自动评估的框架，该框架包括降维算法、性能度量、评分函数及深度学习模型，并利用10 个康复练习的数据集对所提出的框架进行了验证，结果表明，该框架可协助医护人员对病人康复训练过程进行密切监督，保证康复训练的质量，以达到预期最佳的康复效果。糖尿病、慢性呼吸系统疾病等慢性病的发病率不断升高,慢性病的管理已成为一项重要的护理工作。深度学习技术可整合不同维度和层次的数据,为慢性病管理提供了新的技术支撑。赵楠等[43]构建基于深度学习的糖尿病足溃疡智能测量模型，实现了3 个建模过程：伤口区域定位、标尺刻度检测、测量指标的计算与换算，这是国内首次采用深度学习算法对糖尿病足溃疡面积进行测量，实现了深度学习在糖尿病足溃疡护理领域的应用。Wu 等[44]基于深度学习和机器学习开发了一种急性加重的COPD 预测模型，用于判断病人1 周内是否会发生急性加重的COPD，准确度（92.1%）较高，为病人的急诊科就诊提供了充足的预警时间。

3 小结与展望

随着人工智能技术的发展，深度学习与护理领域的结合应用取得了一定的成果，为护理信息化发展提供了新方向、新模式、新经验。目前，深度学习算法在临床护理工作、护理管理、护理教育、康复和慢性病管理等方面的应用已经开始起步，为病人或学生提供了更精准的个体化干预措施，实现了护理学科的信息化研究。然而，大多数研究是以深度学习为基础开发的预测模型，且现有的数据质量参差不齐，开发的预测模型的准确性和可行性有待验证。因此，在未来的工作中护士应积极融入人工智能的大环境，主动参与深度学习技术的研发应用和护理大数据的管理，在前瞻性和临床实践中对这些系统进行强有力的探究，以了解深度学习如何在医疗领域为病人提供优质护理，让人工智能在促进人类健康方面发挥更大的作用。