基于機(jī)器學(xué)習(xí)的人工智能技術(shù)在壓力性損傷管理中的應(yīng)用進(jìn)展

凌 敏，章 晉，王霄一，潘曉巍，葉 群，李 惠

壓力性損傷(pressure injury,PI)是發(fā)生于皮膚和(或)潛在皮下軟組織的局限性損傷，通常位于骨隆突處，臨床表現(xiàn)為完整的皮膚或開放性潰瘍，可伴有疼痛，是由強(qiáng)烈和(或)長期的壓力或壓力聯(lián)合剪切力造成的[1]。臨床領(lǐng)域?qū)⑨t(yī)院獲得性壓力性損傷作為護(hù)理質(zhì)量的指標(biāo)之一[2]。據(jù)研究，發(fā)達(dá)國家壓力性損傷發(fā)生率達(dá)7%～14%，發(fā)展中國家達(dá)8.3%～12.5%[3]。壓力性損傷不僅會引起病人的身體并發(fā)癥，導(dǎo)致不良的臨床結(jié)果，還會增加醫(yī)療費(fèi)用，導(dǎo)致心理和社會問題[4]。隨著醫(yī)療信息技術(shù)的發(fā)展，醫(yī)療機(jī)構(gòu)人員為有效管理壓力性損傷，與工程師合作開發(fā)了信息化管理系統(tǒng)[5-6]。在使用壓力性損傷管理系統(tǒng)中會產(chǎn)生龐大而復(fù)雜的數(shù)據(jù)和圖片信息，逐漸興起的人工智能(artifical intelligence,AI)機(jī)器學(xué)習(xí)(machine learning,ML)對其高效處理并重新利用已成為新趨勢[7]。現(xiàn)綜述人工智能機(jī)器學(xué)習(xí)在壓力性損傷臨床管理中的應(yīng)用進(jìn)展,以期為臨床實(shí)踐提供參考。

1 人工智能機(jī)器學(xué)習(xí)的內(nèi)涵

人工智能屬于計算機(jī)科學(xué)的一個分支，通過模擬人類的思維方式、知識存儲及學(xué)習(xí)能力，構(gòu)建出無須人類過多干涉的智能實(shí)體[8]。人工智能作為當(dāng)今最具變革性的技術(shù)，經(jīng)過不斷地發(fā)展，形成了包括結(jié)構(gòu)化數(shù)據(jù)的機(jī)器學(xué)習(xí)、深度學(xué)習(xí)及非結(jié)構(gòu)化數(shù)據(jù)的自然語言處理等不同分支[9]。例如常見的實(shí)驗室數(shù)據(jù)和生命體征屬于結(jié)構(gòu)化數(shù)據(jù)，醫(yī)囑記錄、影像資料屬于非結(jié)構(gòu)化數(shù)據(jù)[7]。機(jī)器學(xué)習(xí)是實(shí)現(xiàn)人工智能的方向之一，其原理是利用算法從龐大的數(shù)據(jù)中學(xué)習(xí)規(guī)律，實(shí)現(xiàn)對未知樣本的預(yù)測[9]。與傳統(tǒng)算法的不同之處在于機(jī)器學(xué)習(xí)可從繁雜的變量中發(fā)現(xiàn)其潛在關(guān)系并進(jìn)行鑒別、建模，使工作效率迅速提升，現(xiàn)已成為醫(yī)學(xué)領(lǐng)域常用的研究方法之一。機(jī)器學(xué)習(xí)中最杰出的代表是深度學(xué)習(xí)，它以神經(jīng)網(wǎng)絡(luò)為核心，不僅具有強(qiáng)大的特征提取能力，還能夠更加容易地找到隱藏在數(shù)據(jù)中的規(guī)律，進(jìn)而輔助人類的決策[10]。目前較熱門的人工神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)、支持向量機(jī)、卷積神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林、反向傳播神經(jīng)網(wǎng)絡(luò)等均屬于機(jī)器學(xué)習(xí)[11]。人工智能技術(shù)作為第4次科技革命的重要組成部分，已應(yīng)用于生活中的眾多方面，如人臉識別、語音識別、無人駕駛、機(jī)器人等[12]。同時，人工智能技術(shù)廣泛應(yīng)用于醫(yī)療的各個領(lǐng)域，如決策支持、生物醫(yī)學(xué)、醫(yī)學(xué)成像、藥物研發(fā)、精準(zhǔn)醫(yī)療等方面都取得了的成就，推動醫(yī)療管理由制度化管理向數(shù)據(jù)化、精準(zhǔn)化、智能化管理方向轉(zhuǎn)變發(fā)展[13-15]。

2 人工智能機(jī)器學(xué)習(xí)在壓力性損傷預(yù)測模型中的應(yīng)用

雖然目前針對壓力性損傷的治療方案研究廣泛，但由于其治愈率低、治療成本較高，壓力性損傷的預(yù)防尤為重要[16-18]。傳統(tǒng)的風(fēng)險預(yù)測方法通常預(yù)先設(shè)定納入排除標(biāo)準(zhǔn)、定期隨訪、收集數(shù)據(jù)和評估結(jié)果的判定標(biāo)準(zhǔn)[19-20]。隨著數(shù)據(jù)量的增長，再加上特定指標(biāo)的自身局限性，傳統(tǒng)的風(fēng)險預(yù)測方法無法充分利用分外的、繁雜的非結(jié)構(gòu)性數(shù)據(jù)[21]。機(jī)器學(xué)習(xí)算法可高效利用大量的臨床信息數(shù)據(jù)建立壓力性損傷預(yù)測模型，如Hu等[22]收集住院病歷11 838份，研究利用機(jī)器學(xué)習(xí)技術(shù)構(gòu)建3種住院壓力性損傷預(yù)測模型，包括決策樹、邏輯回歸和隨機(jī)森林算法，實(shí)驗結(jié)果和模型評價表明，采用隨機(jī)森林算法建立的預(yù)測模型具有最優(yōu)的分類性能，為0.845。這項研究構(gòu)建了住院壓力性損傷的預(yù)測模型，并進(jìn)行實(shí)證分析，了解住院壓力性損傷的關(guān)鍵危險因素，可以作為壓力性損傷高危人群的篩選工具。這表明機(jī)器學(xué)習(xí)技術(shù)可以提取各種類型的隱藏信息，克服了典型統(tǒng)計分析的缺點(diǎn)，其準(zhǔn)確性比決策樹算法和邏輯回歸更高。

目前，臨床護(hù)理人員仍使用傳統(tǒng)的壓力性損傷評估工具(如Braden量表)，評估過程不僅耗時，其主觀性也在一定程度上影響評估的準(zhǔn)確性。為避免傳統(tǒng)壓力性損傷評估費(fèi)時、主觀性強(qiáng)的弱點(diǎn)，可基于機(jī)器學(xué)習(xí)算法構(gòu)建壓力性損傷預(yù)測模型，從而有效提高壓力性損傷預(yù)測準(zhǔn)確性。國內(nèi)外學(xué)者將不同的機(jī)器學(xué)習(xí)算法應(yīng)用于壓力性損傷模型的構(gòu)建研究。Nakagami等[23]使用邏輯回歸、隨機(jī)森林、線性支持向量機(jī)和帶有5倍交叉驗證技術(shù)的極端梯度增強(qiáng)(XGBoost)4種機(jī)器學(xué)習(xí)算法建立風(fēng)險預(yù)測模型，受試者工作特征曲線(ROC)顯示XGBoost模型的預(yù)測性能最好，在4種分類器中靈敏度最高，為(0.78±0.03),ROC曲線下面積(AUC)為(0.80±0.02)。Song等[24]收集來自一家大型綜合醫(yī)療機(jī)構(gòu)下屬5家不同醫(yī)院的電子健康記錄數(shù)據(jù)，包括護(hù)士輸入的完整評估記錄，使用Logistic回歸、支持向量機(jī)、隨機(jī)森林和神經(jīng)網(wǎng)絡(luò)開發(fā)基于機(jī)器學(xué)習(xí)的壓力性損傷預(yù)測模型。通過五倍交叉驗證評估模型的性能，結(jié)果表明隨機(jī)森林模型表現(xiàn)最好，2個測試集的AUC為0.92和0.94，該模型可以準(zhǔn)確地預(yù)測壓力性損傷的發(fā)展，如果今后經(jīng)過外部驗證，可能有助于廣泛的壓力性損傷預(yù)防。

因此，將機(jī)器學(xué)習(xí)算法應(yīng)用于臨床壓力性損傷風(fēng)險預(yù)測模型的構(gòu)建，不僅可以高效利用醫(yī)療信息系統(tǒng)中的數(shù)據(jù)，實(shí)現(xiàn)自動檢測和實(shí)時監(jiān)測，還可以提高壓力性損傷預(yù)測的準(zhǔn)確性，從而降低壓力性損傷的發(fā)生率。

3 人工智能機(jī)器學(xué)習(xí)在壓力性損傷創(chuàng)面評估中的應(yīng)用

3.1 壓力性損傷創(chuàng)面分割與測量 由美國壓力性損傷咨詢委員會制訂的2019版壓力性損傷預(yù)防與治療指南中，壓力性損傷被分為4期[25]。當(dāng)壓力性損傷處于第3期或第4期時，傳統(tǒng)監(jiān)測評估方法包含侵入性操作，測量結(jié)果往往存在一定的誤差[26]。隨著人工智能機(jī)器學(xué)習(xí)算法在處理圖像數(shù)據(jù)方面的持續(xù)發(fā)展，已實(shí)現(xiàn)對創(chuàng)面進(jìn)行自動分割測量、客觀評估等技術(shù)[27-29]。有研究將創(chuàng)面分為肉芽、壞死焦痂和蛻膜組織，利用深度學(xué)習(xí)架構(gòu)的3D卷積神經(jīng)網(wǎng)絡(luò)(CNN)提供了基本的視覺特征，對193張壓力性損傷彩色圖像進(jìn)行了訓(xùn)練和測試，結(jié)果顯示，Dice相似度系數(shù)(DSC)為92%，AUC為95%，該模型有使用前景[27]。Veredas等[28]收集了臨床中5 000張壓力性損傷創(chuàng)面照片，將其與機(jī)器學(xué)習(xí)中的貝葉斯算法結(jié)合，構(gòu)建了創(chuàng)面測量工具，還解決了光線對創(chuàng)面圖像數(shù)據(jù)收集影響。Chang等[29]基于超像素分割輔助標(biāo)記從卷積層中對2 836張壓力性損傷圖像進(jìn)行組織分類提取特征，在5 個流行的DL模型(U-Net、DeeplabV3、PsPNet、FPN和MaskR-CNN)中，DeeplabV3在兩項任務(wù)上都表現(xiàn)最好，精度為0.991 5，對組織分類的準(zhǔn)確率為精度為0.988 8。醫(yī)護(hù)人員在收集壓力性損傷創(chuàng)面數(shù)據(jù)的同時還能夠測量創(chuàng)面面積的變化，為開展之后研究奠定基礎(chǔ)。

3.2 壓力性損傷創(chuàng)面評估 隨著壓力性損傷管理不斷地與人工智能領(lǐng)域技術(shù)融合，對壓力性損傷的圖片、護(hù)理記錄等非結(jié)構(gòu)性數(shù)據(jù)進(jìn)行分析技術(shù)逐步發(fā)展。通過算法將創(chuàng)面情況數(shù)據(jù)化，可以準(zhǔn)確、高效地對壓力性損傷進(jìn)行非侵入性評估和監(jiān)測。Chang等[29]基于超像素分割的深度學(xué)習(xí)輔助標(biāo)記，利用5種DL模型(U-Net、DeeplabV3、PsPNet、FPN和Mask RCNN)和編碼器(ResNet-101)在采集的2個數(shù)據(jù)集上進(jìn)行訓(xùn)練，對2 836張壓瘡圖像進(jìn)行組織分類，對2 893張壓瘡圖像進(jìn)行傷口和re-ep分割，可實(shí)現(xiàn)自動診斷壓力性損傷。Veredas等[28]使用4種機(jī)器學(xué)習(xí)算法對壓力性損傷創(chuàng)面進(jìn)行分析，結(jié)果顯示支持向量與隨機(jī)森林模型的創(chuàng)面分析效果較好。Silva等[30]利用支持向量機(jī)與超像素分割對105張壓力性損傷圖像進(jìn)行實(shí)驗，結(jié)果平均準(zhǔn)確率為96%，靈敏度為94%，特異性為97%，精度94%，優(yōu)于當(dāng)前基于深度學(xué)習(xí)的方法，并可擴(kuò)展到組織分類。隨著我國醫(yī)療信息技術(shù)不斷升級，醫(yī)療決策與醫(yī)療設(shè)備結(jié)合已成為趨勢。

3.3 人工智能機(jī)器學(xué)習(xí)評估壓力性損傷創(chuàng)面的挑戰(zhàn) 作為一項具有變革性的新技術(shù)，人工智能機(jī)器學(xué)習(xí)的研究充滿挑戰(zhàn)。首先，在不同的研究實(shí)驗中不同研究者的拍攝距離、角度、光照對研究結(jié)果存在影響，今后相關(guān)技術(shù)研究可考慮使用客觀指標(biāo)解決，以便后續(xù)研究者對比。其次，在不同的應(yīng)用場景中可能會有創(chuàng)面以外的圖像被納入，能夠完全區(qū)分鑒別傷口以外的圖像是人工智能機(jī)器學(xué)習(xí)研發(fā)的重點(diǎn)。在臨床應(yīng)用中還發(fā)現(xiàn)當(dāng)壓力性損傷處于高分期時利用機(jī)器學(xué)習(xí)算法無法準(zhǔn)確測量位于皮下深層的竇道和潛行面積。然而，數(shù)據(jù)的準(zhǔn)確性決定了之后的圖像分析結(jié)果以及預(yù)測工具的準(zhǔn)確程度。因此，如何減少人工智能技術(shù)的該誤差，仍有待進(jìn)一步探索。

4 展望

我國壓力性損傷管理逐步進(jìn)入大數(shù)據(jù)時代，龐大復(fù)雜的數(shù)據(jù)也隨之而來。當(dāng)傳統(tǒng)的技術(shù)不能對此類數(shù)據(jù)有效提取和重新利用時，機(jī)器學(xué)習(xí)算法則開辟了一個新方向，在壓力性損傷管理領(lǐng)域具有廣闊的前景。在國外，機(jī)器學(xué)習(xí)算法在壓力性損傷管理中已取得了一定的成果?；跈C(jī)器學(xué)習(xí)算法的壓力性損傷創(chuàng)面檢測技術(shù)、風(fēng)險預(yù)測模型等方面的研究，提高了壓力性損傷防治有效性及準(zhǔn)確性，使壓力性損傷的信息化管理更具科學(xué)性、客觀性、特異性和便捷性，為壓力性損傷管理領(lǐng)域帶來全新的突破,為壓力性損傷預(yù)防及管理注入新的力量。