人工智能电话随访在社区高血压患者健康管理中的应用现况及影响因素分析

摘 要 目的：对人工智能（artificial intelligence，AI）电话随访的接听、信息采集、一致性情况等进行分析，以评价AI技术在社区慢性病随访管理中的应用价值。方法：于2020年9月1日—9月30日采用多阶段整群随机抽样方法选取上海市静安区彭浦新村街道社区卫生服务中心慢性病管理对象中需随访的高血压患者作为调查对象，采用AI随访系统对高血压患者进行电话随访，对采集到的内容进行有效信息提取，自动生成随访结果。结果：本次研究所覆盖的高血压患者为4 070例，其中3 887例进行了应答，电话接通率为95.50%，有效应答人数为3 529例。二分类及多分类条目的信息采集率及一致率与询问次序呈低度负相关，定量类条目的信息采集率及一致率与询问次序呈低度正相关。AI电话随访系统共采集了52 852条信息，语音信息采集完整率为71.31%，其中49 677条信息与人工复核结果一致，语音识别信息一致率为93.99%。单因素分析结果显示，数据类型、年龄及AI电话随访拨打时间是对语音识别信息一致率差异具有统计学意义的影响因素（P<0.05）。结论：建议通过加载方言语音包、设置更为智能化的交互问询、更加标准化的答案设置及个性化的电话随访拨打时间等提升AI电话随访的信息采集率及一致率。

关键词 高血压患者；人工智能电话随访；影响因素分析

中图分类号：R544.1 文献标志码：A 文章编号：1006-1533（2024）16-0008-05

引用本文 张琳， 彭德荣， 罗元欣， 等. 人工智能电话随访在社区高血压患者健康管理中的应用现况及影响因素分析[J]. 上海医药， 2024， 45（16）： 8-12.

基金项目：上海市卫生健康委员会科研项目（2023HCnVcaTpGKqh3/YyibLog==14Y0488）

Analysis of the application status and influencing factors of AI telephone follow-up in the health management of hypertensive patients in the community

ZHANG Lin1， PENG Derong2， LUO Yuanxin1， JIN Changqin1， CHENG Minna3， WANG Siyuan3， JIANG Yun1

（1. Health Management Department of Pengpuxincun Community Health Service Center of Jingan District， Shanghai 200435， China； 2. Pengpuxincun Community Health Service Center of Jingan District， Shanghai 200435， China； 3. Health Management Department， Division of Non-communicable Disease and Injury， Shanghai Municipal Center for Disease Control and Prevention， Shanghai 200336， China）

ABSTRACT Objective： To analyze the artificial intelligence（AI） telephone follow-up answering， information collection， and consistency to evaluate the application value of AI technology in community chronic disease follow-up management. Methods： From September 1 to 30， 2020， the multi-stage cluster random sampling method was used to select hypertensive patients who needed followup among the chronic disease management subjects in Pengpuxincun Community Health Service Center as the survey objects， and the AI follow-up system was used to conduct telephone follow-up of hypertensive patients， and the contents collected were effectively extracted， and automaticallJZjhjRc/33nMBP8V2Nv2jw==y generated follow-up results. Results： A total of 4 070 hypertensive patients were covered in this study， of which 3 887（95.50%） responded and 3 529 responded effectively. The information collection rate and agreement rate of dichotomous data and multi-categorical data were negatively correlated with the order of inquiry， while the quantitative data were positively correlated. A total of 52 852 pieces（71.31%） of the information were collected by the AI telephone follow-up system， of which 49 677 pieces （93.99%） were consistent with the results of manual review. The results of univariate analysis showed that data type， age and dialing time of AI telephone follow-up were statistically significant influencing factors for the difference in the consistency rate of speech recognition information（P<0.05）. Conclusion： It is suggested to improve the information collection rate and consistency rate of AI telephone follow-up by loading dialect voice packs， setting up more intelligent interactive inquiry， more standardized answer settings， and personalized telephone follow-up dialing time.

KEY WORDS hypertensive patient； AI telephone follow-up； analysis of influencing factor

WHO于2023年发布的《全球高血压报告》显示，全球高血压患者的数量在2019年底已达13亿[1]，目前我国成年人中约有2.45亿人患高血压，总体年龄标准化患病率为27%，诊断率为52%，治疗达标率仅为16%[2]。高血压是心脑血管疾病最主要的危险因素，在全球约与1 080万人的死亡有关[3-4]。为做好慢性病日常随访，对患者进行全面健康管理，社区卫生服务中心需投入大量人力资源开展此项工作，目前上海市在管高血压患者约为200余万人[5]，社区卫生服务中心的医护人员数量较少，难以承担如此庞大的随访工作量。近年来，语音识别技术已进入试点阶段[6-8]，为提升随访工作效率、减轻医护人员的工作压力，上海市静安区彭浦新村街道社区卫生服务中心引入AI技术，本次研究对人工智能（artificial intelligence，AI）电话随访的接听、信息采集、一致性情况等进行分析，以评价AI技术在社区慢性病随访管理中的应用价值。

1 资料与方法

1.1 一般资料

于2020年9月1日—9月30日采用多阶段整群随机抽样方法选取上海市静安区彭浦新村街道社区卫生服务中心慢性病管理对象中需随访的高血压患者作为调查对象。纳入标准：（1）符合《中国高血压防治指南2018年修订版》[9]中的高血压诊断标准；（2）已完成首次面对面随访；（3）通过慢性病随访管理信息系统导入的基本信息完整；（4）知情同意，自愿参与。排除标准：（1）合并神经类疾病、老年痴呆、失语等，无法进行正常交流。

本次研究所覆盖的高血压患者为4 070例，其中3 887例进行了应答。3 887例高血压患者中，男性1 714例（44.1%），女性2 173例（55.9%）；<60岁的178例（4.6%），60～69岁的1 060例（27.3%），70～79岁的1 507例（38.7%），≥80岁的1 142例（29.4%）。

1.2 研究方法

1.2.1 随访内容

根据《上海市社区健康管理工作规范——慢性病综合防治（2017年版）》[10]中的《高血压患者管理随访信息表》设计随访问题，随访问题为包括不良症状、合并其他疾病、摄盐情况、用药情况、规律活动及血压值等在内的21个条目。

将需采集的信息条目转化为便于理解的标准化询问语句，如将“面色苍白或潮红”转化为“请问您最近有面色苍白或潮红的情况吗”，并设置相应的结果选项“有”“没有”，AI按照结果进行判定。

1.2.2 随访流程

采用AI随访系统对高血压患者进行电话随访，由计算机自动拨打患者电话，并按照标准的随访流程和话术，模拟人声与被随访者进行沟通。随访结束后，对采集到的内容进行有效信息提取，自动生成随访结果。

1.3 评价方法与指标

1.3.1 评价方法

由2名调查员进行AI随访结果的一致性判定，调查员通过收听随访录音判定结果，如2名调查员的判定结果不一致，则由第3名调查员收听录音并拨打调查对象的电话核实存在争议的问题，进行最终判定。

1.3.2 评价指标

（1）电话接通率=电话接通人数/拨打电话人数×100%；（2）有效应答人数=信息部分采集人数+信息完整采集人数；（3）有效应答率=有效应答人数/电话接通人数×100%；（4）信息采集率=信息采集数/有效应答人数×100%；（5）信息一致率=信息一致数/信息采集数×100%；（6）语音识别信息一致率=正确识别条目数/总回答条目数×100%；（7）语音信息采集完整率=采集到的条目数/有效应答人数应被询问的条目数×100%。

1.4 统计学方法

采用SPSS 23.0软件进行统计学分析，计数资料以百分率（%）表示，比较采用χ2检验，两两比较采用Bonferroni法，有序多分类资料的趋势变化采用趋势χ2检验。以P<0.05为差异有统计学意义。

2 结果

2.1 随访应答及信息采集情况

本次研究所覆盖的高血压患者为4 070例，其中3 887例进行了应答，电话接通率为95.50%，有效应答人数为3 529例，有效应答率为90.79%。

单因素分析结果显示，性别、年龄及AI电话随访拨打时间均不是对信息采集情况差异具有统计学意义的影响因素（P>0.05），见表1。

2.2 随访条目的信息采集及一致性与询问次序相关性分析

对二分类、多分类及定量类条目分别进行信息采集及信息一致率趋势χ2检验，在信息采集完整率方面，二分类（χ2=2 373.559，P<0.001）及多分类（χ2=1 946.846，P<0.001）条目的信息采集率与询问次序呈低度负相关，定量类（χ2=2 154.242，P<0.001）条目的信息采集率与询问次序呈低度正相关；在信息一致率方面，二分类（χ2=22.780，P=0.049）、多分类（χ2=183.326，P<0.001）条目的信息一致率与询问次序呈低度负相关，定量类（χ2=249.011，P<0.001）条目的信息一致率与询问次序呈低度正相关，见表2。

2.3 语音识别信息一致率情况

AI电话随访系统共采集了52 852条信息，应采集信息74 112条，语音信息采集完整率为71.31%，其中49 677条信息与人工复核结果一致，语音识别信息一致率为93.99%。

单因素分析结果显示，数据类型、年龄及AI电话随访拨打时间是对语音识别信息一致率差异具有统计学意义的影响因素（P<0.05）。进一步采用Bonferroni检验法进行两两比较，结果显示，二分类数据>多分类数据>定量类数据的语音识别信息一致率（P<0.017），60～69岁组>70～79岁组/≥80岁组的语音识别信息一致率（P<0.0083），16：01—18：00时间段>9：00—12：00时间段/12：01—15：00时间段的语音识别信息一致率（P<0.017），见表3。

3 讨论

上海市静安区彭浦新村街道社区卫生服务中心辖区内常住人口14.28万名，其中高血压规范管理15 549名，中心全科医生45名，助理24名，平均每人每季度需完成176次高血压患者随访。相关研究显示，由于随访任务繁重，随访人员习惯用近似数字记录患者血压值，数据的准确性、一致性和真实性无法保证[11]。随着AI技术的日益发展，基于该项技术的随访已进入试点阶段，其优势在于通过统一的话术确保随访信息采集的同质性[12]。本次研究所覆盖的高血压患者为4 070例，其中3 887例进行了应答，有效应答人数为3 529例，有效应答率为90.79%，相关研究结果也显示，AI电话随访能显著提升随访效率[13]。

单因素分析结果显示，性别、年龄及AI电话随访拨打时间均不是对信息采集情况差异具有统计学意义的影响因素（P>0.05），说明AI电话随访能够适用于不同年龄段、不同性别的高血压患者，与相关研究结果一致[14]。本次信息完整采集人数仅占12.61%，说明AI电话随访在问题设置、拨打技巧等方面仍存在较大提升空间。进一步分析随访条目对信息采集率及一致率的影响，结果显示二分类及多分类条目的信息采集率及一致率与询问次序呈低度负相关，与相关研究结果类似[15]。在AI电话随访问题较多的情况下，次序较靠后的问题采集率及一致率相对较低，提示设计随访问题时应控制条目数量，并根据问题难易程度安排询问次序，以提升信息采集率及一致率。定量类条目的信息采集率及一致率与询问次序呈低度正相关，推测一方面与该类问题设置较少导致的样本选择偏倚有关；另一方面该类条目的信息采集率与一致性均较低，建议在进行电话随访时明确告知调查对象回答模板，提升AI随访的信息一致率。分析结果还显示，采集条目的数据类型与语音识别信息一致率相关，定量数据的一致率最低，二分类定性数据的一致率最高，与相关研究结果类似[16]，应尽可能将随访问题设计为定性类别，如果必须是定量类的，也应将回复内容设置为便于AI进行识别的阿拉伯数字。

本次AI电话随访系统共采集了52 852条信息，语音识别信息一致率为93.99%，其中定量数据的语音识别信息一致率仅为73.88%，原因可能为随访对象多为上海本地居民，习惯以上海话进行日常沟通，而AI电话随访系统目前只设置了普通话语音包，对于部分普通话发音不标准的人群无法进行准确的信息传递[17-18]；此外，由于提问方式比较机械，患者只能回答问题，却无法提问，导致对复杂信息的识别有一定困难[19]。建议增加上海话语音包以提升居民的应答率，同时设置更为人性化的交互问询系统[20]。

单因素分析结果显示，数据类型、年龄及AI电话随访拨打时间是对语音识别信息一致率差异具有统计学意义的影响因素（P<0.05），提示可根据被随访者的年龄针对性地设置AI随访系统的电话拨打时间，如对年龄超过70岁的人群，随访时间应尽可能安排在16：01—18：00之间，与相关研究结果类似[21]。目前AI技术在上海市部分社区的试点探索已基本完成，普陀区与奉贤区借助AI技术开展了家庭医生双签约及实时血压监测，提升了社区高血压患者的自我管理水平[13，22]。

本次研究结果显示，AI电话随访在社区高血压患者的健康管理服务中具有较高可行性，比较适用于定性类数据信息的采集工作，但针对内容较为复杂_{5f8ebd09bcb5211a684d3b6ab1e1dd1f}的定量类问题，仍与人工随访的结果存在较大差距。建议通过加载方言语音包、设置更为智能化的交互问询、更加标准化的答案设置及个性化的电话随访拨打时间等提升其信息采集率及一致率。本次研究数据仅来源于彭浦新村街道社区卫生服务中心，也未开展高血压患者的自我健康管理及临床医嘱依从性AI电话随访，今后将开展针对本辖区内居民的队列研究，进一步探讨AI电话随访对社区慢性病管理的现实意义。

参考文献

[1] WHO. Global report on hypertension： The race against a silent killer[EB/OL]. （2023-09-19）[2024-01-16]. https：//www. who.int/publications-detail-redirect/9789240081062.

[2] Sun Y， Mu J， Wang DW， et al. A village doctor-led multifaceted intervention for blood pressure control in rural China： an open， cluster randomised trial[J]. Lancet， 2022， 399（10339）： 1964-1975.

[3] 孙恕， 易松. 2023年《中国高血压防治指南》更新临床实践[J]. 心电与循环， 2023， 42（3）： 203-206； 212.

[4] 马丽媛， 王增武， 樊静， 等. 《中国心血管健康与疾病报告2022》要点解读[J]. 中国全科医学， 2023， 26（32）： 3975-3994.

[5] 徐继英， 严青华， 姚海宏， 等. 上海市高血压患者社区管理现状分析[J]. 上海预防医学， 2016， 28（7）： 442-447.

[6] 李中鹏， 瞿怀荣. 基于"互联网+AI"技术的患者随访管理新模式的研究及应用[J]. 科学与信息化， 2021， （26）： 153-155.

[7] 陶毛毛， 刘隽， 廖骞， 等. 基于AI智能语音随访的口腔科互联网门诊患者使用现状分析[J]. 上海口腔医学， 2023， 32（2）： 183-187.

[8] 王晓丽， 俞博 姜皓， 等. 大型区域智能随访管理系统的探索与实践[J]. 中国数字医学， 2023， 18（9）： 29-33.

[9] 《中国高血压防治指南》修订委员会. 中国高血压防治指南2018年修订版[J]. 心脑血管病防治， 2019， 19（1）： 1-44.

[10] 上海市卫生健康委员会. 关于印发《上海市社区健康管理工作规范——慢性病综合防治（2017年版）》的通知[沪卫计疾控（2017）3号][EB/OL].（2017-02-22）[2024-01-16]. https：//wsjkw.sh.gov.cn/ jbfk2/20211206/58ed0af13a7a47e2b1fe675c339d4f4c.html.

[11] 何凡， 吴萃， 徐悦， 等. 基于多来源数据的上海市宝山区重点慢性病健康管理数据的质量分析[J]. 上海预防医学， 2020， 32（7）： 577-581.

[12] 王思源， 周峰， 高俊岭， 等. 人工智能电话随访在高血压随访管理中的应用[J]. 中国慢性病预防与控制， 2021， 29（11）： 817-820.

[13] 叶征， 史玲， 祝墡珠， 等. 人工智能技术助力家庭医生双签约模式对社区老年高血压患者健康管理的影响[J]. 老年医学与保健， 2023， 29（4）： 742-746.

[14] Eccles A， Atherton H. Automated telephone communication systems may have the potential to play a positive role in healthcare[J]. Evid Based Nurs， 2018， 21（1）： 23.

[15] Kumah-Crystal Y， Lehmann CU， Albert D， et al. Vanderbilt EHR voice assistant（VEVA） supports clinicians[J]. Appl Clin Inform， 2023， DOI：10.1055/a-2177-4420.

[16] 白欣苑， 李星明. 医学随访研究设计及注意事项[J]. 北京医学， 2020， 42（12）： 1231-1237.

[17] 黄一敏， 王淼， 魏明月， 等. 人工智能语音随访系统在儿童日间手术中心的应用[J]. 中国卫生质量管理， 2021， 28（3）： 9-11.

[18] 吴玲娣， 王伟. 人工智能机器人在胆胰外科日间手术患者出院随访中的应用价值[J]. 外科研究与新技术， 2019， 8（2）： 138-140.

[19] 朱建辉， 岑珏， 罗劲松， 等. 出院患者人工智能语音回访效果[J]. 解放军医院管理杂志， 2021， 28（3）： 214-217.

[20] 张戎， 刘洪臣. 人工智能技术在临床医疗中的应用概述[J].中华老年口腔医学杂志， 2021， 19（1）： 40-44.

[21] Calder LA， Cwinn AA， Gatien M， et al. The feasibility of an interactive voice response system（IVRS） for monitoring patient safety after discharge from the ED[J]. Emerg Med J， 2018， 35（3）： 180-185.

[22] 张超， 汤校忠， 吴洁， 等. 可穿戴设备的群体化管理在高血压患者中的应用效果观察[J]. 中国社区医师， 2023， 39（22）： 157-159； 162.