Page 100 - 现代护理学理论与实践创新研究

现代护理学理论与实践创新研究
Research on Modern Nursing Theory and Practice Innovation

接影响成本、效率和护理质量。当前，分诊系统中涉及的重要人工智能模型如下。
基于计算机的电子分类系统（ETS）。ETS 由一台机器自动完成，它给出了
分诊级别评分，能够更好地对 ESI 的 3 级分诊病人进行分类，尤其是能够预测出

需要调整级别或需要重症监护及紧急救治的急危重症病人。1 项 ETS 与 ESI 分诊
系统研究显示：ETS 可以根据综合评估死亡率、重症监护病房入院率、转至手术
室或导管室的概率评估病人，且根据病人危重程度、预后、住院时间和资源利用
情况将 ETS 与 ESI 进行比较，结果证实 ETS 在病人临床结局分布和资源利用方

面有优势。由于分诊人员根据病人特征、临床病史等也可以得出电子分类系统结
论，故认为 ETS 并不能取代分诊人员。
机器学习模型。有研究者对机器学习模型（Lasso 回归、随机森林、梯度增

强决策树和深层神经网络）在分诊中的应用效果进行研究，结果显示：机器学习
模型与 5 层 ESI 数据构建的 Logistic 回归模型相比，在预测 ESI 的 1~3 级（即时
到紧急）过度分诊、重症监护和住院治疗结果方面效果较好。提示，将机器学习
模型应用于医院分诊工作，不仅可以增强临床护士分诊决策能力，还可以使临床
护理资源利用情况得以进一步优化。
悉尼预检分诊工具（Sydney Triageto Admission RiskTool，START）。START

是一种基于 Logistic 回归的预测工具，旨在帮助护理人员进行急诊处置决策。
START2 通过将机器学习算法应用于原始数据集扩展了 START 的急诊处置决策

功能，其最初性能与 START 相当，但随着对问题的详细分类，START2 性能逐
渐改善，为电子病历中纳入和分析更复杂的变量提供可能，有利于帮助护理人员
做出处置决定和病人安排。
急诊医学文本分类器。急诊预检分诊是以病人主诉和症状体征为主要依据进
行危重程度判断和分诊分级，而依据医学文本分类器自动症候群对病人主诉、症

状、体征进行科学归纳与分类，是利用急诊数据，实时监测病人症状、体征及病
情变化，从而在疾病暴发早期发出预警。此系统是利用向量空间模型和 1 个使用
伪相关反馈机制的“学习”模块，将带有分流注的急诊病历记录自动分类为一个

或多个综合征类别。标准证候群的术语用于构造初始参考词典，以生成证候和分
类注记向量，之后根据向量之间的余弦相似性，将每条记录划分为一个证候类别，
然后从属于兴趣综合征的顶级记录中提取术语作为反馈。这些术语被添加到参考
词典中，重复此过程以确定最终分类。该系统可以根据用户需求进行调整，以实

88