基于人工智能算法預(yù)測(cè)的腦膠質(zhì)瘤病人術(shù)后融入家庭賦權(quán)管理效果研究

褚玲毅,雷 奕

現(xiàn)階段,腦膠質(zhì)瘤已逐漸成為顱內(nèi)最常見腫瘤疾病之一,此癥通過手術(shù)治療后病人通常需較長(zhǎng)時(shí)間的住院康復(fù),易引起其產(chǎn)生焦慮、抑郁等負(fù)面情緒,增加家庭經(jīng)濟(jì)壓力,導(dǎo)致病人預(yù)后普遍較差[1-2]。需對(duì)病人實(shí)施積極有效的管理,以保證管理效果,改善病人預(yù)后。與常規(guī)的管理相比,家庭賦權(quán)管理對(duì)某些病人效果更加顯著。家庭賦權(quán)是以賦權(quán)作為基礎(chǔ),結(jié)合病人自身的個(gè)體情況、照顧者的照顧現(xiàn)狀等,由醫(yī)務(wù)人員與主要照顧者共同制訂并實(shí)施的康復(fù)照顧計(jì)劃,提高照顧管理質(zhì)量[3]。由于病人自身性別、年齡、家庭收入等因素,采用單一的常規(guī)管理方式顯然不適合當(dāng)前時(shí)代發(fā)展的要求。目前,人工智能算法已廣泛應(yīng)用到不同的領(lǐng)域,并取得了顯著成效。例如電力負(fù)荷預(yù)測(cè)[4]、股票價(jià)格預(yù)測(cè)[5]、2019新型冠狀病毒感染病人死亡率預(yù)測(cè)[6]等。本研究以腦膠質(zhì)瘤病人數(shù)據(jù)作為研究對(duì)象,利用3種不同的人工智能算法對(duì)病人實(shí)施手術(shù)治療后融入家庭賦權(quán)管理方式滿意度進(jìn)行預(yù)測(cè),現(xiàn)報(bào)告如下。

1 對(duì)象與方法

1.1 研究對(duì)象 選取2020年7月—2021年7月廣西某腫瘤醫(yī)院神經(jīng)外科確診的40例腦膠質(zhì)瘤術(shù)后病人為研究對(duì)象,其中,男23例,女17例;年齡(46.37±3.84)歲;家庭月收入(3 468±251)元;腫瘤部位:額葉17例,顳葉14例,頂葉9例。本研究經(jīng)我院倫理委員會(huì)審核通過。

1.2 方法

1.2.1 家庭賦權(quán)管理方式 組織科室內(nèi)1名主治醫(yī)師、5名其他醫(yī)務(wù)人員為家庭賦權(quán)工作團(tuán)隊(duì)。團(tuán)隊(duì)成員納入標(biāo)準(zhǔn):主治醫(yī)師、醫(yī)務(wù)人員工作時(shí)間≥15年,具有本科以上學(xué)歷[7];主治醫(yī)師負(fù)責(zé)相關(guān)資料、工作流程審核,監(jiān)督整個(gè)研究項(xiàng)目的有效開展。5名其他醫(yī)務(wù)人員負(fù)責(zé)具體干預(yù)措施的實(shí)施與數(shù)據(jù)資料的收集。耐心傾聽主要照顧者的心理感受,采用心理疏導(dǎo)的方法幫助主要照顧者宣泄不良情緒,指導(dǎo)主要照顧者適當(dāng)進(jìn)行自我放松,通過微信群等方式搭建病友微信交流平臺(tái),鼓勵(lì)主要照顧者與病友家屬分享照顧經(jīng)驗(yàn),同時(shí)獲得感情支持[8-9]。根據(jù)病人的恢復(fù)情況,實(shí)時(shí)對(duì)主要照顧者的照顧能力給予肯定評(píng)價(jià),并講解相應(yīng)的成功照顧案例,進(jìn)一步指導(dǎo)主要照顧者的照顧能力,同時(shí)調(diào)動(dòng)其照顧積極性。干預(yù)結(jié)束后以評(píng)價(jià)家庭賦權(quán)方案的實(shí)施效果,詢問主要照顧者疑慮,給予其耐心解答,并說明按時(shí)復(fù)查的重要性。鼓勵(lì)病人以及主要照顧者學(xué)會(huì)利用醫(yī)學(xué)資源,尋求社會(huì)幫助,確定后續(xù)復(fù)查時(shí)間,督促主要照顧者定時(shí)帶領(lǐng)病人到院復(fù)查[10-11]。

1.2.2 人工智能方法介紹

1.2.2.1 BP神經(jīng)網(wǎng)絡(luò) BP神經(jīng)網(wǎng)絡(luò)[12]是根據(jù)誤差反向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò),目前已經(jīng)成為應(yīng)用廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。作為一種有監(jiān)督學(xué)習(xí)方法,它利用了均值平方誤差和梯度下降,以實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)連接權(quán)重的修改。在BP神經(jīng)網(wǎng)絡(luò)算法中,首先對(duì)網(wǎng)絡(luò)的連接值設(shè)定一個(gè)值,然后選擇一個(gè)訓(xùn)練樣本計(jì)算相對(duì)于該樣本的誤差梯度,以實(shí)現(xiàn)最小誤差平方和。BP神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)的二次輸入輸出方法有很大不同,并且在處理非線性問題上得到顯著效果。

1.2.2.2 RBF神經(jīng)網(wǎng)絡(luò) RBF神經(jīng)網(wǎng)絡(luò)[13]是一種局部逼近網(wǎng)絡(luò),由輸入層、隱層、輸出層3層神經(jīng)元組成。輸入層負(fù)責(zé)將輸入信號(hào)傳遞到隱層。隱層使用基函數(shù)對(duì)輸入數(shù)據(jù)進(jìn)行非線性變換,隱藏層的輸出數(shù)據(jù)在輸出層作為網(wǎng)絡(luò)的輸出進(jìn)行線性加權(quán)。RBF神經(jīng)網(wǎng)絡(luò)選擇高斯函數(shù)作為隱層基函數(shù),利用輸入數(shù)據(jù)與函數(shù)中心之間的距離計(jì)算權(quán)重,加快收斂速度,克服局部極小問題。

1.2.2.3 支持向量機(jī)(SVM) SVM[5]是一種分類和回歸預(yù)測(cè)工具,它使用機(jī)器學(xué)習(xí)理論最大限度地提高預(yù)測(cè)精度,同時(shí)自動(dòng)避免過度擬合數(shù)據(jù)。SVM可以定義為在高維特征空間中使用線性函數(shù)假設(shè)空間的系統(tǒng),其應(yīng)用的是優(yōu)化理論學(xué)習(xí)算法進(jìn)行模型訓(xùn)練。SVM采用了結(jié)構(gòu)風(fēng)險(xiǎn)最小化(SRM)原則,SRM最小化了預(yù)期風(fēng)險(xiǎn)的上界,并最小化了訓(xùn)練數(shù)據(jù)的誤差,正是這種特性使支持向量機(jī)具有更強(qiáng)的泛化能力。

1.3 人工智能方法應(yīng)用 在本次仿真試驗(yàn)中,選取35例作為3種預(yù)測(cè)模型的訓(xùn)練數(shù)據(jù),剩下5例作為預(yù)測(cè)驗(yàn)證數(shù)據(jù)。BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)模型使用的是Matlab 2018自帶的工具箱;SVM采用的版本是libsvm-2.83-3。

1.4 評(píng)價(jià)方法 盡管人工智能算法在其他領(lǐng)域預(yù)測(cè)時(shí)都取得一定效果,但是如果只用單一的預(yù)測(cè)模型,并不能說明模型的優(yōu)劣,因此本研究采用3種不同的預(yù)測(cè)模型,每種模型獨(dú)立運(yùn)行20次,取平均值作為對(duì)應(yīng)預(yù)測(cè)模型的結(jié)果,并對(duì)這些模型進(jìn)行對(duì)比分析。3種人工智能算法預(yù)測(cè)結(jié)果采用準(zhǔn)確度、預(yù)測(cè)性能排名進(jìn)行評(píng)價(jià)。

1.5 統(tǒng)計(jì)學(xué)方法 采用SPSS 17.0統(tǒng)計(jì)軟件進(jìn)行數(shù)據(jù)分析。為了驗(yàn)證預(yù)測(cè)模型的性能,采用的評(píng)價(jià)標(biāo)準(zhǔn)是預(yù)測(cè)準(zhǔn)確度和均方誤差。本研究把性別、年齡、腫瘤部位、家庭收入、是否采用家庭賦權(quán)管理等文本數(shù)據(jù)作為3種預(yù)測(cè)模型的輸入向量,同時(shí)將其轉(zhuǎn)為數(shù)值型數(shù)據(jù)用于被預(yù)測(cè)模型的處理。采用的統(tǒng)計(jì)學(xué)方法有Friedman秩和檢驗(yàn),以P<0.05為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

3種人工智能算法預(yù)測(cè)結(jié)果見表1,3種預(yù)測(cè)模型的結(jié)果對(duì)比見表2。從表2可知,根據(jù)Friedman秩和檢驗(yàn)數(shù)據(jù)結(jié)果,算法對(duì)應(yīng)的Friedman秩和檢驗(yàn)值越小表明該算法性能越好。3種算法的性能按優(yōu)劣排名為SVM模型、RBF神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)。由于一個(gè)P值是兩個(gè)預(yù)測(cè)算法對(duì)比的結(jié)果,即SVM模型和BP神經(jīng)網(wǎng)絡(luò)、SVM模型和RBF神經(jīng)網(wǎng)絡(luò),因此SVM模型中無P值數(shù)據(jù)。此外,根據(jù)P值可知,SVM模型性能顯著優(yōu)于RBF神經(jīng)網(wǎng)絡(luò)及BP神經(jīng)網(wǎng)絡(luò)。

表1 3種人工智能算法預(yù)測(cè)結(jié)果

表2 3種人工智能算法預(yù)測(cè)結(jié)果比較

3 討論

腦膠質(zhì)瘤是一種顱內(nèi)最常見的腫瘤,在我國約占原發(fā)性顱內(nèi)腫瘤的44.69%。此癥的發(fā)病原因通常為多種因素的相互作用以及多基因突變的不斷積累所致[14-15]。通常臨床治療腦膠質(zhì)瘤病人以手術(shù)治療為主,尤其對(duì)于較低級(jí)別的腦膠質(zhì)瘤治療[16-17]。對(duì)于某些病人而言,采用家庭賦權(quán)管理方式比常規(guī)管理要有效得多。面對(duì)具有不同特征的病人,采用單一的管理方式是不符合社會(huì)發(fā)展需求的。當(dāng)前,人類已經(jīng)進(jìn)入人工智能時(shí)代,借助人工智能相關(guān)算法預(yù)測(cè)病人術(shù)后管理的滿意度,為醫(yī)療機(jī)構(gòu)實(shí)施有針對(duì)性的管理方式提供決策支撐。為了使預(yù)測(cè)更具有說服力,采用3種不同的人工智能預(yù)測(cè)算法,分別為BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)、SVM模型。此外,采用Friedman秩和檢驗(yàn)及P值對(duì)這3種算法預(yù)測(cè)得到的數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析。

3.1 BP神經(jīng)網(wǎng)絡(luò) 在BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型中由于輸出數(shù)據(jù)為1維的向量,因此BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為5-11-1,即輸入層節(jié)點(diǎn)數(shù)為5,隱層節(jié)點(diǎn)數(shù)為13,輸出層節(jié)點(diǎn)數(shù)為1。BP神經(jīng)網(wǎng)絡(luò)對(duì)5例病人(編號(hào)為36～40)的滿意度預(yù)測(cè)結(jié)果為68.64%～89.45%,平均準(zhǔn)確度為77.48%。由于BP神經(jīng)網(wǎng)絡(luò)需要大量的樣本數(shù)據(jù),在樣本量較小的條件下預(yù)測(cè)準(zhǔn)確度低于80%,符合預(yù)期。Friedman秩和檢驗(yàn)結(jié)果為2.7,表明BP神經(jīng)網(wǎng)絡(luò)在3種預(yù)測(cè)模型中排名最后。P值為0.016,即其性能明顯遜于SVM模型。該預(yù)測(cè)模型對(duì)護(hù)理實(shí)踐的指導(dǎo)意義一般。

3.2 RBF神經(jīng)網(wǎng)絡(luò) 盡管RBF神經(jīng)網(wǎng)絡(luò)的模型與BP神經(jīng)網(wǎng)絡(luò)類似,都是有輸入層、隱層和輸出層。在進(jìn)行數(shù)據(jù)擬合及預(yù)測(cè)時(shí)都是采用matlab自帶函數(shù)y=sim(net,P)。RBF神經(jīng)網(wǎng)絡(luò)對(duì)5例病人(編號(hào)36～40)的預(yù)測(cè)準(zhǔn)確度,有3個(gè)>80%,有1個(gè)<70%,平均準(zhǔn)確度為81.28%。比起B(yǎng)P神經(jīng)網(wǎng)絡(luò),RBF神經(jīng)網(wǎng)絡(luò)不需要設(shè)置太多參數(shù),對(duì)滿意度預(yù)測(cè)的平均準(zhǔn)確度略高,超過預(yù)期。Friedman秩和檢驗(yàn)結(jié)果為2.1,表明RBF神經(jīng)網(wǎng)絡(luò)在3種預(yù)測(cè)模型中排名第二。P值為0.038,代表RBF神經(jīng)網(wǎng)絡(luò)性能明顯遜于SVM模型。該預(yù)測(cè)模型對(duì)護(hù)理實(shí)踐具有一定的指導(dǎo)意義。

3.3 SVM模型 目前,SVM模型常用的核函數(shù)有線性核、多項(xiàng)式核、高斯徑向基核[18]。如果選擇高斯徑向基核函數(shù),則不需要考慮線性核函數(shù)[19]。因此,本研究的c和g的變化范圍都為[2-10, 210],步長(zhǎng)大小為1。當(dāng)c=1,g=3時(shí)的訓(xùn)練性能最佳,精度達(dá)到0.88。SVM模型預(yù)測(cè)結(jié)果大部分?jǐn)?shù)據(jù)都達(dá)到88%以上,最低一個(gè)為66.67%,平均準(zhǔn)確度為87.66%。在解決小樣本情況下的機(jī)器學(xué)習(xí)問題比起神經(jīng)網(wǎng)絡(luò)更有優(yōu)勢(shì),同時(shí)避免了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)選擇和局部極小點(diǎn)問題。SVM模型對(duì)滿意度預(yù)測(cè)的平均準(zhǔn)確度高,達(dá)到預(yù)期。Friedman秩和檢驗(yàn)結(jié)果為1.2,表明SVM模型在3種預(yù)測(cè)模型中排名第一。該預(yù)測(cè)模型對(duì)護(hù)理實(shí)踐具有較大的指導(dǎo)意義。

綜上所述,SVM模型在處理小樣本方面的預(yù)測(cè)性能要優(yōu)于BP神經(jīng)網(wǎng)絡(luò)及RBF神經(jīng)網(wǎng)絡(luò),其平均預(yù)測(cè)準(zhǔn)確度達(dá)到87.66%。隨著科技快速發(fā)展,智慧醫(yī)療必將成為未來趨勢(shì)?；谌斯ぶ悄芩惴A(yù)測(cè)的病人術(shù)后管理滿意度,為促進(jìn)病人康復(fù)及提高醫(yī)療機(jī)構(gòu)服務(wù)質(zhì)量,起到重要的輔助作用。