Page 152 - 计算机应用软件开发技术研究

计算机应用软件开发技术研究
Research on Computer Application Software Development Technology

（一）护理不良事件和并发症
机器学习通过建立护理不良事件和并发症的预测模型，识别出高危患者，及
早实施个体化护理干预，可对防止不良事件和并发症的发生起到积极作用。

1.压力性损伤
Alderden 等利用电子病历系统（electronic medical record system，EMRS）
收集 6376 例患者的结构化数据，运用随机森林算法，并根据压力性损伤变量的
重要性排序，将排序前 5 的预测变量：体质指数、血红蛋白、肌酐、手术所需

时间和年龄用于构建重症监护患者压力性损伤的预测模型。该模型 ROC 曲线下
面积（AUC）为 0.79，可早期预测重症患者压力性损伤的风险。Hu 等构建决策
树、logistic 回归和随机森林 3 种模型用于预测住院患者压力性损伤事件；其研
究结果表明，皮肤完整性、收缩压、表达能力、毛细血管充盈时间和意识水平是
5 个重要的预测变量；且随机森林预测性能高于决策树和 logistic 回归，F1 值为

0.845（F1 值越大，预测性能越好）。Chen 等基于人工神经网络（artificial neural
network，ANN）算法构建了心血管手术相关的压力损伤（surgery related pressure
injury，SRPI）模型。该模型可帮助护士识别压力性损伤的高危患者，早期实施

干预计划，有效减少 SRPI 的发生。
2.跌倒事件
Topaz 等以自然语言（natural language processing，NLP）和机器学习相融合
的方式，通过提取护理记录语料库，判断跌倒信息的分类能力，并创建临床文本

挖掘的 Nimble Miner 系统。该系统有望在无监督学习情况下，实现临床文本健
康数据挖掘，更适用于医疗实践和研究需求。Ye 等回顾性分析电子病历系统中
157 个跌倒潜在预测变量，最终以认知障碍、步态和平衡异常、帕金森氏症、跌
倒史和骨质疏松症为主要预测因素，采用 XGBoost 算法构建患者未来一年中跌

倒预测模型。由 Delga-do-escano 等提出的一种基于深度学习的跌倒预警模型，
该模型以用户原始的身体惯性信息作为输入，采用多任务学习方法，实时执行跌
倒检测和人员身份识别任务；结果显示，跌倒检测的准确率超过 98%，用户身份
识别的准确率为 79.6%。低血压事件患者术中低血压发作可导致不良预后，低血

压发生时间越长，严重并发症发生的概率也越大。使用机器学习算法建立前置性
低血压风险预警模型有助于降低术中低血压发生风险。Hatib 等基于数千条动脉
波形特征建立的机器学习模型可在术中低血压事件发生前 15 min 作出预警，其

·140·