黃子菁，王 穎，何 梅，魯志卉，馬婉秋，蔡 悅，張昕悅，崔夢影

1.華中科技大學同濟醫(yī)學院附屬同濟醫(yī)院，湖北 430030；2.華中科技大學同濟醫(yī)學院護理學院

跌倒是醫(yī)院病人安全管理的重要內(nèi)容[1]。據(jù)報道，2017 年我國490 所三級甲等醫(yī)院共發(fā)生18 024 例跌倒事件，跌倒傷害率達73.68%，導致病人住院時間延長、生活質(zhì)量下降、醫(yī)療資源使用增加等[2]。及時監(jiān)測跌倒并實施跌倒后規(guī)范化處理，可有效保障病人安全，提高醫(yī)療質(zhì)量[3]。目前跌倒事件管理在數(shù)據(jù)收集與分析上存在跌倒監(jiān)測延時、主動上報障礙、文本數(shù)據(jù)分析困難等問題[4-5]。機器學習是由算法驅(qū)動的數(shù)據(jù)分析方法，通過學習大量病人運動參數(shù)或臨床資料，探尋規(guī)律并構建模型，從而實現(xiàn)跌倒相關數(shù)據(jù)挖掘、分析與預測[6]。其被廣泛用于行為監(jiān)測[7]、圖像識別[8]、文本挖掘[9]、臨床結局預測[10]等領域，可進行實時姿態(tài)監(jiān)測和跌倒相關醫(yī)療大數(shù)據(jù)挖掘，從而監(jiān)測跌倒并輔助跌倒后處理。既往研究關注不同機器學習算法在跌倒風險評估和社區(qū)人群跌倒監(jiān)測中的使用，未充分探討機器學習在住院跌倒人群管理中的應用?，F(xiàn)對機器學習算法進行概述，綜述其在住院跌倒監(jiān)測及保護和跌倒后規(guī)范化處理中的應用進展，為實現(xiàn)信息化醫(yī)院的跌倒安全管理提供參考。

1 與跌倒安全管理相關的機器學習算法

機器學習可通過圖像監(jiān)測[11]、環(huán)境信息監(jiān)測[12]和可穿戴式傳感器監(jiān)測[13]實現(xiàn)跌倒監(jiān)測及保護的目的，即采用攝像機、紅外/地面/聲音傳感器、可穿戴式傳感器測量人體物理屬性，經(jīng)算法分析病人是否處于跌倒狀態(tài)，通知醫(yī)護人員開展救治或啟動跌倒保護裝置；通過電子健康記錄（electronic health record，EHR)分析[14]達到跌倒后規(guī)范化處理的目的，收集病人人口統(tǒng)計學、病史、藥物、實驗室數(shù)據(jù)、放射學報告、費用信息等數(shù)字化診療護理記錄，經(jīng)算法挖掘跌倒相關數(shù)據(jù)的內(nèi)在關聯(lián)，從而輔助臨床決策、規(guī)范上報流程和分析大數(shù)據(jù)等。目前跌倒安全管理領域常見機器學習算法包括支持向量機（support vector machine，SVM）、人工神經(jīng)網(wǎng)絡（artificial neural network，ANN）、決策樹、隨機森林、K-近鄰（k-nearest neighbors，KNN）、深度學習等。

1.1 SVM

SVM 由Vapnik 等于1995 年提出，是根據(jù)有限的樣本信息在二維平面中尋求最優(yōu)超平面的監(jiān)督學習方法[15]。SVM 主要應用在可穿戴式傳感器監(jiān)測[16]和跌倒文本分析[17]方面。任宇飛[18]通過智能手機內(nèi)置傳感器采集12 名志愿者站立、行走、跑步、爬樓和跌倒狀態(tài)時的加速度數(shù)據(jù)，基于SVM 建立防跌倒系統(tǒng)，包括用戶信息設置、運動實時監(jiān)測和跌倒報警模塊，可實時監(jiān)測用戶跌倒狀況并向緊急聯(lián)系人發(fā)送包含位置信息的求助短信，準確率達98.33%。后續(xù)可在臨床逐漸推廣使用以SVM 為基礎算法的可穿戴式傳感器設備，及時向護士站發(fā)送病人跌倒警示，降低跌倒傷害發(fā)生率。SVM 是住院跌倒安全管理研究中使用頻次較高的算法，綜合性能優(yōu)，適用于解決小樣本的二分類問題，如區(qū)分跌倒和日?；顒?，其模型簡單，計算量小，但對大樣本數(shù)據(jù)處理困難。

1.2 ANN

ANN 由McCulloch 和Pitts 于1943 年提出，是一種參照人腦神經(jīng)元處理信息原理設計的算法[19]。ANN 主要用于輔助臨床決策。夏麗霞等[20]基于Bonczek型決策支持系統(tǒng)框架結構，設計以ANN 為模型的護理決策支持系統(tǒng)，建立以跌倒等護理敏感結局指標為指標層的護理綜合評價決策指標體系，在護士輸入病人信息時，提供評估、診斷、干預、結果指標評價等方面建議?？蓪NN融入臨床決策支持系統(tǒng)（clinical decision support system，CDSS），根據(jù)輸入的跌倒病人信息判斷病情嚴重程度及預測預后，滿足危重病人快速診治需求，為后續(xù)開具影像學檢查、調(diào)整護理級別等診療護理計劃提供決策建議，促進醫(yī)療資源合理分配。ANN可用于捕捉各變量間的非線性關聯(lián)，挖掘病人數(shù)據(jù)中隱藏的復雜數(shù)據(jù)關系，模型靈敏度、精確度和特異度較高，但對樣本量需求較大，成本偏高，計算效率較低。

1.3 決策樹及隨機森林

決策樹由Quinlan 于1986 年提出，是從未知數(shù)據(jù)中推理分層規(guī)則，并用樹形圖表達的預測模型[21]。隨機森林由Leo Breiman 于2001 年提出，是由大量決策樹組成的監(jiān)督學習算法，使用投票策略進行分類和預測[22]。兩種算法在跌倒監(jiān)測[23]及數(shù)據(jù)挖掘[24]領域有一定應用。Nenonen[25]將決策樹模型作為數(shù)據(jù)挖掘工具，將性別、年齡、職業(yè)、工作過程、具體身體活動等作為輸入變量，分析職業(yè)事故和疾病統(tǒng)計數(shù)據(jù)庫中的跌倒工傷事故，結果發(fā)現(xiàn)，與靜止物體撞擊、25～54 歲、機械制造操作工作等是其跌倒工傷特點，最常見的傷害為脫臼、扭傷和拉傷，恢復時間為4～30 d。與傳統(tǒng)邏輯回歸模型相比，使用決策樹/隨機森林挖掘電子健康記錄內(nèi)跌倒相關信息并分析住院病人跌倒及跌倒經(jīng)濟負擔影響因素時，信息收集難度較低，計算效率較高，分析結果準確性較高，有利于據(jù)此提出針對性科室整改措施，降低院內(nèi)跌倒發(fā)生率[26]。決策樹/隨機森林適用于小型數(shù)據(jù)集，優(yōu)點是易于理解和解釋，能直觀反映各變量對跌倒發(fā)生的影響程度，適合非計算機專業(yè)人士使用。決策樹效率更高，但易過度擬合，忽略各變量間的相關性，不適合處理連續(xù)變量及存在數(shù)據(jù)缺失的樣本。隨機森林可避免決策樹的過擬合問題，適用于離散和連續(xù)型變量，處理相關變量具有較強抗干擾能力，但較難處理含大量噪聲、過多冗余變量的數(shù)據(jù)[27]。

1.4 K-近鄰

K-近鄰由Cover 和Hart 于1967 年提出，假設相似事物存在于極其接近的位置，是求解分類和回歸模型的監(jiān)督學習算法[28]，主要用于跌倒監(jiān)測領域。華仙等[29]通過佩戴在6 名年輕受試者前胸及后腰部的無線傳感器測量其模擬13 種跌倒類型和11 種日?；顒訒r的加速度，基于K-近鄰構建跌倒監(jiān)測模型，持續(xù)監(jiān)測跌倒事件，特異度達99.76%，并在某三級甲等醫(yī)院試用。K-近鄰可用于實時監(jiān)測獨居老年人或住院跌倒高風險老年人。K-近鄰算法簡單，是跌倒監(jiān)測領域除SVM 外的常用算法，其同樣適用于小型數(shù)據(jù)集，但與SVM 相比計算速度更快，識別跌倒準確率略低。

1.5 深度學習

深度學習由Hinton 等于2006 年提出，是由ANN發(fā)展而來的訓練深層結構模型的新興方法，以卷積神經(jīng)網(wǎng)絡（convolutional neural network，CNN）為代表[30]。近年來被廣泛應用于圖像監(jiān)測。金瑋等[31]通過高速通信技術獲取模擬醫(yī)院內(nèi)攝像頭拍攝的7 987 份視頻樣本，基于CNN 對單人及多人情境下提取的25 個人體關鍵點進行正常、跌倒、平躺等姿態(tài)識別，當前后幀畫面分別為跌倒和平躺時示警，準確率達99.75%。深度學習在醫(yī)院門診、急診、病房走廊等公共場合的跌倒監(jiān)測方面具有較好應用前景。深度學習是未來發(fā)展趨勢，其更具智能性，可以自動從原始圖像中提取特征，無須人工參與，識別跌倒行為精度較高，但模型構建需要大樣本數(shù)據(jù)支持且耗時較長，對硬件設備要求較高，適用于大型數(shù)據(jù)集。

2 機器學習在跌倒監(jiān)測及保護中應用

2.1 信息化監(jiān)控系統(tǒng)

已有研究指出，病人跌倒傷害主要發(fā)生時間為夜晚和凌晨，此時間段護理人力資源薄弱，存在延時發(fā)現(xiàn)跌倒的問題[32]。機器學習能實時監(jiān)測跌倒事件并發(fā)出警報，縮短傷者送醫(yī)時間，以降低跌倒者受傷害程度[33]。為保護病人隱私、減輕醫(yī)護人員工作負擔，院內(nèi)不同場所需采用不同監(jiān)控模式。對于病房、走廊等公共區(qū)域發(fā)生的意外跌倒事件，孫穎等[34]采用圖像監(jiān)測的方法，布設攝像機收集113 例跌倒病人（包括腦卒中、帕金森病、躁狂癥、術后麻醉病人）頭部、軀干、四肢位置變化信息，基于CNN 構建病人全身關節(jié)點檢測與骨架提取模型，用于自動監(jiān)測病人跌倒情況，并實時報警，監(jiān)測準確率達96%。對于墜床等存在軀干及四肢被床褥遮擋情形的病房內(nèi)跌倒事件，趙峰[11]提出深度網(wǎng)絡墜床監(jiān)測方法，采用圖像監(jiān)測的方式布設深度相機監(jiān)測病人頭部位置變化，建立包含594 個行為數(shù)據(jù)樣本的墜床數(shù)據(jù)庫，通過深度學習實現(xiàn)多人場景及身體遮擋情境下的實時墜床監(jiān)測，準確率達93.70%。在廁所等私密場所，Werthen-Brabants 等[12]應用環(huán)境信息監(jiān)測方式，采用環(huán)境傳感器收集20 例測試對象在模擬病房內(nèi)13 359 個活動的微多普勒特征，基于深度學習構建跌倒監(jiān)測模型，達到實時監(jiān)測、預警和保護病人隱私的目的。針對非跌倒高風險人群，醫(yī)院等大型公共場所多采用能自動監(jiān)測多人情形的圖像監(jiān)測和環(huán)境信息監(jiān)測方法，跌倒識別準確率高，可以實時向醫(yī)護人員發(fā)出警示，以便其開展快速救治，降低病人死亡風險，但其尚無法識別抽搐、休克等復雜跌倒情形。

2.2 跌倒即時保護裝置

部分跌倒病人會出現(xiàn)中重度損傷，尤其是側向跌倒和后向跌倒病人更易發(fā)生髖部骨折和后腦損傷，極大地降低了老年人生活質(zhì)量和預期壽命[35]。跌倒即時保護裝置對內(nèi)部算法的可預見性要求較高，需在跌倒病人與地面接觸前啟動保護裝置。將機器學習算法與防護氣囊等保護裝置相結合，基于可穿戴設備監(jiān)測，可預先識別跌倒行為，啟動氣囊裝置保護跌倒病人重要部位，降低跌倒對病人造成的傷害程度。余維維等[13]采用可穿戴設備監(jiān)測，通過穿戴在腰部的慣性傳感器采集12 名志愿者模擬的231 份日常動作和144 份跌倒動作數(shù)據(jù)，設計結合閾值和SVM 的跌倒預先識別方法，可以提前256 ms 識別跌倒行為及方向，并在病人發(fā)生側向和后向跌倒時觸發(fā)氣囊，準確率達98.9%。除與防護氣囊相結合，針對穿戴假肢的跌倒高風險人群，陳國興等[16]提出了將機器學習與假肢保護裝置相結合的設想，通過SVM 分析假肢穿戴者重心加速度、腳加速度和髖關節(jié)角度，提前識別絆倒和滑倒，并啟動動力型假肢保護裝置，如實施抬腿、降腿、向前支撐等保護動作，避免跌倒傷害的發(fā)生。針對院內(nèi)跌倒高風險人群，可采用針對單人情形的可穿戴設備監(jiān)測，穿戴跌倒即時保護裝置，在病人跌倒時防護其易受傷部位，防止或減輕跌倒傷害。

然而，在跌倒監(jiān)測及保護研究對象與場所方面，現(xiàn)階段機器學習的應用更偏向理想化場景，多選擇20～40 歲的志愿者在模擬醫(yī)院環(huán)境的實驗室進行跌倒模型訓練，缺乏大樣本真實世界住院老年人的跌倒數(shù)據(jù)，今后還需結合老年跌倒病人步態(tài)、關節(jié)活動等特征和具體臨床場景進行住院跌倒監(jiān)測模型改進與優(yōu)化[6]。

3 機器學習在跌倒后規(guī)范化處理中的應用

3.1 CDSS

CDSS 是一種智能化過濾病人信息和表達特定診療護理意見的計算機系統(tǒng)，可以協(xié)助醫(yī)護人員進行臨床決策[36]。將機器學習融入CDSS，可彌補目前CDSS存在的智能化不足問題，準確判斷因跌倒入院病人的病情嚴重程度，輔助醫(yī)護人員預測病人臨床結局，做出出院或治療的臨床決策，提高工作效率。Young 等[26]采用電子健康記錄分析的方式，回顧性收集了4 725 例因跌倒入院病人電子健康記錄中的人口統(tǒng)計學信息、損傷特征和生理學指標，分別通過Logistic 回歸、決策樹和隨機森林建立病人死亡和出院概率預測模型，結果顯示，隨機森林預測效果最優(yōu)，高死亡率預測指標為低肢體運動、低語言反應、高呼吸頻率等，高出院率預測指標為男性等，可用于預測跌倒病人預后，為合理分配醫(yī)療資源提供依據(jù)。此外，機器學習也可協(xié)助醫(yī)護人員決策跌倒病人是否需行CT 檢查，給予合理的診療措施。一項單中心回顧性隊列研究以514 例跌倒后出現(xiàn)輕度顱腦損傷的老年病人為研究對象，結果顯示，將性別、癡呆、阿司匹林或抗凝劑使用情況、鎖骨上方損傷、跌倒類型等數(shù)據(jù)輸入ANN 模型中，可預測跌倒病人頭部CT 結果是否異常，從而輔助決策該病人是否需行CT 檢查[37]。從醫(yī)護工作層面來看，將機器學習應用于急診CDSS，可實現(xiàn)對跌倒入院病人的預檢分診和診斷提示，自動生成結局預測和診療護理意見，輔助醫(yī)護人員做出臨床決策，降低危重病人漏檢率，優(yōu)化醫(yī)療資源供給。但需注意，機器學習僅為輔助決策技術，醫(yī)護人員仍是決策主體，人工智能的問責制和安全性需進一步完善。

3.2 跌倒事件上報系統(tǒng)

目前臨床上多采用護理不良事件系統(tǒng)進行院內(nèi)跌倒事件上報，存在上報標準不統(tǒng)一、瞞報等問題[38]。對護士而言，機器學習可用于規(guī)范跌倒上報內(nèi)容，并解決報告質(zhì)量不佳與細節(jié)欠缺的問題。Klock 等[17]收集了病人安全組織機構的2 046 份跌倒報告，分別利用SVM、隨機森林、深度學習構建跌倒報告質(zhì)量評分系統(tǒng)，從目擊者、調(diào)查記錄、受傷類型、呼叫鈴、鞋類等13個方面評估跌倒報告，為上報護理人員提供即時評分，幫助其發(fā)現(xiàn)缺失信息并進行相應修改，結果表明，大多數(shù)報告質(zhì)量一般，未描述跌倒細節(jié)，目前SVM 模型總體表現(xiàn)最優(yōu)，未來報告質(zhì)量提高后，深度學習應用前景更優(yōu)。對病人而言，機器學習分析病人主動上報的病歷資料，判斷是否發(fā)生跌倒等不良事件，可促進病人參與跌倒管理，降低瞞報發(fā)生率。錢雷鳴等[39]設計以病人為報告主體的不良事件查詢與報告系統(tǒng)，病人輸入其一般資料、診療信息、康復狀況及預期不良事件發(fā)生情況等資料，經(jīng)過ANN 加權運算，可及時分析診療過程是否存在不良事件，同時系統(tǒng)會自動將數(shù)據(jù)傳至上級監(jiān)管機構，為后續(xù)調(diào)查取證提供數(shù)據(jù)支撐?？梢?，機器學習可提高護士跌倒上報報告質(zhì)量，促進病人參與安全管理，為改進護理工作流程、追蹤病人跌倒原因并采取針對性預防措施提供數(shù)據(jù)基礎。

3.3 跌倒事件追蹤分析

目前跌倒事件相關數(shù)據(jù)數(shù)量激增，類型復雜，結構化數(shù)據(jù)和非結構化文本數(shù)據(jù)并存，導致追蹤時存在人工分析標準不統(tǒng)一、工作負荷大、漏檢、信息滯后等問題[40]。機器學習可通過識別非結構化文本信息，對跌倒事件上報文本進行分析，實時追蹤跌倒相關信息，分析跌倒傷害嚴重程度。葛曉偉等[14]通過提取國內(nèi)某三級甲等醫(yī)院護理不良事件上報登記系統(tǒng)中11 237 條上報信息，開發(fā)基于CNN 和SVM 的中文護理不良事件文本分類模型，有效判斷上報事件是否屬于提前制止、無傷害、輕微傷害、中度及以上傷害事件，實現(xiàn)對單個跌倒案例的縱向追蹤及對全院跌倒病人的橫向追蹤。跌倒相關信息不僅存在于上報系統(tǒng)中，對跌倒事件的追蹤不應局限于小部分文件類型。McCart 等[41]通過收集單中心2 241 例門診病人入院48 h 內(nèi)的臨床文件，采用邏輯回歸和SVM 構建門診跌倒文本挖掘模型，實現(xiàn)了對611 種文檔類型中跌倒信息的自動追蹤、提取、分析，同時發(fā)現(xiàn)僅追蹤常見文件將遺漏半數(shù)跌倒信息。提示可以采用機器學習分析急診記錄、初級保健記錄、分診記錄、護理記錄等不同格式的文件，多維度、全過程追蹤跌倒病人的診療流程，降低跌倒信息遺漏率。從管理層面來看，將機器學習部署于醫(yī)院護理不良事件系統(tǒng)，有利于數(shù)據(jù)的實時匯集、分析及共享，有效識別臨床文本數(shù)據(jù)中隱藏的跌倒相關信息，實現(xiàn)區(qū)域或國家范圍跌倒數(shù)據(jù)統(tǒng)計，識別并改進護理管理缺陷。由于機器學習過分依賴訓練數(shù)據(jù)，應加強對以單中心數(shù)據(jù)為基礎構建的模型推廣性的驗證。

3.4 跌倒住院費用管控

跌倒造成的經(jīng)濟負擔巨大，美國每年跌倒醫(yī)療保健支出為874 億美元[42]。住院費用數(shù)據(jù)常為偏態(tài)分布，采用傳統(tǒng)線性回歸模型分析存在一定局限性。機器學習可以用于分析因跌倒入院病人的住院費用影響因素。一項回顧性研究以2 所三級甲等醫(yī)院7 344例跌倒住院病人為研究對象，將病人基本信息、住院總費用、各單項住院費用明細和醫(yī)保支付費用信息輸入決策樹建立住院費用預測模型，結果顯示，手術次數(shù)、住院日、手術類型、受傷部位和受傷類型是造成跌倒病人直接醫(yī)療經(jīng)濟負擔的主要因素，其也顯示了各因素對住院費用的影響路徑[24]。從機構層面來看，應用機器學習從衛(wèi)生經(jīng)濟學角度挖掘分析跌倒病人住院費用影響因素，可以為醫(yī)療機構及醫(yī)保等相關部門合理管控住院費用、降低跌倒病人經(jīng)濟負擔、完善醫(yī)保支付標準提供針對性指導意見。

4 小結

機器學習可預測和識別病人運動狀態(tài)，分析量性及質(zhì)性大數(shù)據(jù)，對住院跌倒監(jiān)測及保護和跌倒后規(guī)范化處理方面有重要意義，其主要應用范圍包括信息化監(jiān)控系統(tǒng)、跌倒即時保護裝置、CDSS、跌倒事件上報系統(tǒng)、跌倒事件追蹤分析、跌倒住院費用管控，可以為促進信息化跌倒安全管理體系建設提供參考。目前，機器學習在住院跌倒安全管理領域的研究尚處于初級階段，應偏重收集真實世界數(shù)據(jù)構建機器學習模型，開展前瞻性多中心臨床試驗，探討模型應用對跌倒相關臨床結局的影響，比較單一算法和混合算法在不同情境下的優(yōu)劣，探索模型的適用性、有效性與推廣性。此外，應考慮倫理、法律和社會影響，注重數(shù)據(jù)隱私、安全和技術接受度，保證證據(jù)的有效性、結果的公平性以及算法造成傷害的可追溯性。