張一清 葛慶青 馬晶晶 戎月珍 王珍珍

由于非生理滲透壓，外周留置針輸注高滲藥液通常會引起局部疼痛，其發(fā)生率高達90%以上[1]，緩解疼痛是一個重要問題[2，3]。目前的研究主要集中在心理干預、靜脈通路選擇上[4]，甚少對輸液疼痛自身影響因素的研究。本研究從高滲性藥物的溫度出發(fā)，用熱刺激的原理[5]，來構建高滲性藥液輸注疼痛個性化護理模型，利用深度學習[6]算法通過溫度信號實現(xiàn)對最佳輸液溫度的選擇，取得較好效果。

1 資料與方法

1.1 一般資料 選取2022年7 月至11 月在寧波市醫(yī)療中心李惠利醫(yī)院接受外周留置針輸注高滲性藥物治療的120 例患者作為研究對象，納入標準包括：靜脈輸注時間≥30 min的高滲性藥物，心、肝、腎等重要臟器功能正常，年齡18～60 歲，溝通能力正常。排除肢體腫脹、原發(fā)性皮膚損傷、已發(fā)生靜脈炎、藥物滲出等輸液并發(fā)癥、精神疾病、急危重癥及依從性差的患者。本次研究經(jīng)本院倫理委員會批準同意。研究患者在隨機分組前簽署知情同意書。按隨機數(shù)字表法分研究組和對照組，各60 例。兩組一般資料見表1，兩組比較，差異均無統(tǒng)計學意義（P均＞0.05）。

表1 兩組一般資料比較

1.2 方法

1.2.1 對照組實施常規(guī)護理。穿刺由具備護師職稱以上且臨床工作5年經(jīng)驗的護士進行，留置針廠家和型號統(tǒng)一，穿刺部位在上肢手臂，固定方法標準。

1.2.2 研究組在對照組基礎上，采取基于深度學習個性化護理模型：①信號的采集：通過采集100名志愿者的數(shù)據(jù)構建訓練庫。記錄每位志愿者的疼痛敏感度、體溫、環(huán)境溫度、代謝水平和血管等級等五種因素的具體數(shù)值，并將其轉換為對應的10張信號圖像。因此，構建了5 000 個數(shù)據(jù)。將數(shù)據(jù)按照7∶3的比例劃分為訓練數(shù)據(jù)和驗證數(shù)據(jù)。②最佳輸液溫度的調節(jié)：通過深度學習中的卷積神經(jīng)網(wǎng)絡，采用VGG16模型（見圖1）構建了網(wǎng)絡框架。網(wǎng)絡框架包含特征提取模塊和特征分類模塊。特征提取模塊用于學習圖像的低層和高層語義特征，包括卷積層和池化層。特征分類模塊用于選擇最佳輸液溫度，由全連接層構成。整個網(wǎng)絡共有13 個卷積層、3 個全連接層和5 次池化。通過輸入大量的訓練數(shù)據(jù)，利用反向傳播和梯度下降學習策略，通過多次迭代修改網(wǎng)絡參數(shù)，最終構建穩(wěn)定的模型。利用訓練好的模型進行最佳輸液溫度的識別，并提供精準化的輸液溫度，以提高護理質量。整個深度學習框架已經(jīng)完成軟件開發(fā)，參與干預的護理人員通過簡單操作培訓，即可完成患者信號的采集和結果分析。③實施：通過深度學習軟件分析疼痛信號，確定最佳輸液溫度，采用SDS-EH輸液加溫儀（由北京麥康醫(yī)療器械有限公司生產(chǎn)）進行輸液。并由培訓過的護理人員提供個性化的溫度調控護理。

圖1 VGG16模型構建的網(wǎng)絡框架

1.3 評價指標 比較兩組輸液疼痛程度、疼痛時間及留置針相關并發(fā)癥（滲透性損傷、靜脈炎、堵管）。

1.4 統(tǒng)計學方法 采用SPSS 23.0 統(tǒng)計軟件進行數(shù)據(jù)處理，符合正態(tài)分布的計量資料采用均數(shù)±標準差（）描述，組間比較用兩獨立樣本t檢驗。非正態(tài)分布的計量資料用M（P25，P75）描述，組間比較用非參數(shù)檢驗。計數(shù)資料采用頻數(shù)（%）描述，組間比較用χ2檢驗。設P＜0.05 為差異有統(tǒng)計學意義。

2 結果

兩組輸液疼痛及留置針相關并發(fā)癥發(fā)生率的比較見表2。

表2 兩組輸液疼痛及留置針相關并發(fā)癥發(fā)生率的比較

由表2 可見，研究組輸液疼痛程度明顯輕于對照組，疼痛時間短于對照組，留置針的滲透性損傷、靜脈炎的發(fā)生率低于對照組，差異均有統(tǒng)計學意義（Z=-12.99，t=-11.67，χ2分 別=5.17、6.11，P均＜0.05），兩組堵管的發(fā)生率比較，差異無統(tǒng)計學意義（χ2=1.08，P＞0.05）。

3 討論

個性化護理模型通過空間投影將多路信號轉換為圖像，利用深度學習中的卷積神經(jīng)網(wǎng)絡選擇最佳輸液溫度，從而有效減輕患者輸液疼痛程度和減少疼痛時間。本次研究結果亦證實了研究組輸液疼痛程度明顯輕于對照組，疼痛時間短于對照組。

根據(jù)美國疾病預防控制中心指南[7]準則，文獻報道外周留置針靜脈炎的發(fā)生率為2%～62%[8]。本次研究結果顯示研究組留置針的滲透性損傷、靜脈炎的發(fā)生率低于對照組，說明深度學習個性化護理模型可以降低靜脈炎和滲透性損傷的發(fā)生率，這為留置針輸液智能化護理提供了方向。研究表明留置時間是靜脈炎的危險因素[9]，靜脈炎的發(fā)生率與留置針留置時間呈正相關。但兩組堵管發(fā)生率沒有明顯差異，考慮原因為堵管發(fā)生率和留置針留置時間均大于72 h有關。個性化護理考慮患者的疼痛敏感度和代謝水平等個體差異，實現(xiàn)最佳輸液溫度調節(jié)，是精準護理的體現(xiàn)，能夠提供最適合患者需求的護理措施。這種護理模式不僅滿足患者需求，還能夠節(jié)約醫(yī)療成本，推動精準護理的發(fā)展進程。