基于人工智能的机构老人长期照护分级标准模型的构建

郑进，覃渝茜，曾东，邓韩彬，魏开航

1.四川省中医药科学院中医研究所（四川省第二中医医院）临床教学部，四川成都 610031；2.四川省八一康复中心（四川省康复医院）脊髓损伤康复科，四川成都 611135；3.电子科技大学，四川成都 611730；4.成都乐享智家科技有限责任公司，四川成都 610095

我国是世界上老年人口最多的国家，随着社会经济水平的发展，我国老龄化水平逐渐加重，且整体健康水平不容乐观。人口快速老龄化及空巢化和“寿而不康”的现状给医疗和照护带来了巨大的压力[1]。 而我国的老年医学教育、老年护理教育与发达国家相比，明显滞后。主要表现在老年护理体系的建立上[2]。如何有效、客观评估老人是否需要照护以及需要接受何种级别的照护是现阶段老年照护存在的主要问题。因此，该研究将在前期老人照护需求评估标准池基础上，构建基于人工智能的机构老人长期照护分级标准，为老年照护分级服务体系构建奠定技术基础。 现报道如下。

1 对象与方法

1.1 研究对象

研究采用分层随机抽样，从成都市3 个不同行政区域选择4 家养老机构选择病例。 纳入标准：①年龄≥60岁，受照护时限≥1 月；②意识清晰、有阅读能力或可与调查人员沟通；③知情同意，自愿参加该研究。 排除标准：精神障碍、认知障碍、重症以及疾病终末者。

1.2 调查工具

采用该课题前期设计的“养老机构老人现状调查表问卷”，问卷内容包括一般资料、自身身体认知情况和心理、生理及社会参与需求。 此外针对老人还安排质性访谈，内容包括身体、心理和自我感觉照护需求。指标池构建的步骤如下：①专家、照护人员、老人问卷和质性访谈：查阅文献，编撰问卷表和质性访谈表，分别对专家、养老机构照护人员、机构接受照护老人进行访谈和问卷调查，参与专家8 名，养老机构照护人员10 名，机构照护老人10 名，形成模型指标项目池，包括3 个一级指标，5 个二级指标，24 个三级指标；②专家函询：以QQ 视频、微信视频等方式供函询来自5 个省市的10 名专家，形成初步分级评估指标体系， 包括3 个一级指标，5 个二级指标，13 个三级指标；③基于人工智能老人基本数据与指标相关性分析：人工智能平台采集22 例接受照护老人连续207 d 基础生命数据和行为活动数据，包括基础生命体征、日常照护数据、护理记录频次等，最终确定16 项核心关键健康与服务记录指标， 将选择指标与三级指标进行相关性分析，最后确定评估项目包括3 个一级指标，5 个二级指标，9 个三级指标，见表1。 其核心关键健康、服务记录数据与9 个三级指标相关性详见表2。

表1 最终纳入评定表

表2 相关性分析

1.3 调查方法

在2020 年3—9 月由经过系统培训的专业护理人员对调查对象进行现场评估，填写调查表，若调查对象不能自己独立完成，可在陪护帮助下协助老年对象完成，完成后利用人工智能辅助平台后自动保存。

1.4 统计方法

1.4.1 模型总分计算方法 （1）指标分值标准化。 指标池选择的三级指标量表有各自的评分规则，为保证不同单位和不同方向的量表指标有可比性，研究通过线性插值公式对指标分值进行标准化处理，以消除各指标量纲的影响[3]。指标越好分值越高定义为高优指标，指标越好分值越低定义为低优指标，分别用指标修正公式进行标准化及修正，χ正代表高优指标，使用公式①进行标准化处理[4]。χ反代表低优指标，使用公式②进行标准化及修正处理。χ 为该指标实际数值，见表3。

（2）人工智能基础生命数据采集和行为活动数据计算。 数据分为两个部分，基础生命数据采集定义为不需监测，定期监测和持续监测，赋予分值为0、1、2 分，大小便护理、心理咨询根据不需要，定期需要和每日需要，赋予分值为0、1、3 分，清洁护理、压力性损伤护理、翻身护理根据护理频次和强度分为0 分，1～14 分，各种管道护理根据有无分为0 分和4 分，其他完全需要护理人员参与的护理，根据有无分为0 分和5 分[5-6]。

1.4.2 基于聚类的经验阈值法照护分级模型建立 （1）基于对偶法确定指标权重值。矩阵对偶法通过专家调查的各个指标进行两两比较，基于两两比较的重要程度，来获得所计算各项指标的优先顺序，以及各项指标的相对权重，由于常规的矩阵运算求解计算方式相对复杂，因此研究基于改进型的矩阵对偶法来计算相关的指标权重[7]。该文的专家调查表中，对相关指标的两两比较判断的等级依次分为，明显不重要、稍微不重要、同等重要、稍微重要、明显重要等5 个判断依据，基于对偶法计算指标权重的具体步骤如下。

①专家调查咨询表中，获得两两指标比较的相对重要等级，权数调查表中的指标相对重要等级，如甲比乙明显重要，调查表需要严格按照比较顺序进行，比较顺序不能随意更改，每次将两个指标进行比较后，按照上表中比较前项和后项的标记，给各项指标记分并将分数记在上面表格样式的空白表格中，同时记上配对比较时另一项指标的相应评分。

②采样矩阵对偶法计分方法，对前述调查表中的重要等级进行评分，如甲比乙明显重要，则甲计分为4 分，如果同等重要，则甲计分为2 分。

③基于多个专家的按列统计各指标分值，将各指标得分求和并作归一化处理。 按列填上各指标权重。 若有两位以上的专家参与确定权重，则将各专家对各指标的权重分别求和再取其平均值。

（2）照护指数。 运用综合评分法中的加权法累计各三级指标标准化值加权后的总分，运用最终模型计算总分作为分类变量，结合Pearson 显著性相关检验，计算对应指标相关特征，计算获得老人照护指数。首先结合人工智能采集的基础生命数据和行为活动数据得分，获得相关三级指标量表评分，然后基于9 个三级指标，计算5个二级指标，最后基于5 个二级指标，计算3 个一级指标，最终得到老人照护指数[8]。 根据实际使用需求最后将原始总分加以常数转换为百分制，得分为0～100 分。 分值越高，老人需求护理等级越高。 照护指数计算公式见③。

Y 总=0.1616×A1+0.1685×A2+0.0353×A3+0.1921×B1+0.0236×B2+0.0272×B3+0.0200×B4+0.1644×C1+0.7073×C2③

（3）照护分级模型。运用聚类分析，以最终得到的老人照护指数作为分类变量进行方差齐性检验，若方差齐则进行方差分析，P＞0.1 表示方差齐， 可进行方差分析，P＜0.05 为差异有统计学意义。

2 结果

2.1 指标分值标准化

在量表分数调查表中，9 个调查量表的得分最大值、最小值具有差异性，同时部分评分表分值越高效果越差，因此对此类数据进行校正，量表最大值、最小值及校正参数见表3。

表3 调查量表评分及修正示意表

2.2 权重系数及重要性排名

基于矩阵对偶法计算一级、二级、三级指标权重数值，并进行重要性排序，见表4。

表4 各级指标的权重系数及重要性排名

聚类分析树状图结果显示，组内联接法聚类结果较为理想，组内距离较小。均控制在8 次迭代之内，而组间距离非常大，均在10 次迭代以上，考虑分为5 类。方差齐性检验结果显示Levene 统计量=1.993，P=0.221（P＞0.1），5类均值间差异有统计学意义（P＜0.05），见表5；同时，SNK 多重比较结果显示，任两类间均值差异有统计学意义（P＜0.05）。 具体分级指标阈值见表5。

表5 照护等级经验阈值

2.3 数据再验证分级

重新将持续监测207 d 的22 名老人数据代入计算，基于聚类算法结合经验阈值计算模型分类准确性为90.9%。 见表6。

表6 实际分级结果验证

3 讨论

3.1 基于量表和人工智能采集的基础生命数据和行为活动数据的老人照护分级模型

该研究的分级模型是基于成熟量表和人工智能采集的基础生命数据和行为活动数据计算上的。研究在前期阶段通过大量文献查阅、理论研究、质性访谈、问卷调查、专家函询等多种方式建立起初级评估指标池，包括3 个一级指标，4 个二级指标，9 个三级指标，再此基础上，确保这些指标均符合客观实际应用。 与既往研究分级照护标准的研究课题相比，该研究通过纳入了基于人工智能采集的基础生命数据和行为活动数据，在指标池建立的过程中减少了量表和相应指标的纳入量，极大减少了老人照护的工作量。前期研究通过分析也证实，该研究3 个一级指标内在同质性良好，各条目具有较好同源性。两轮专家函询相关性系数高，重复测信度效果好[9]。由此可见，该研究从最初条目池的制订到形成最终的二级指标和三级指标，每一步都是充分结合了养老照护专家的意见，并充分考虑其专业背景、知识构架，进一步通过统计学分析严格评价入选专家的标准和严格性，保证整个研究从理论构建到条目取舍选择都有较强的逻辑支撑，确保了整个指标池的科学性[10]。

人工智能采集数据包含了基础生命数据和行为活动数据，在行为数据监测中，最终通过相关性分析选择16 项最影响照护分级的指标，这些指标都有较好的实际应用性。比如大小便管理、翻身次数、口服药物护理条目上监测显示劳动强度大，反映了大部分需要照护老人的医疗护理内容[11]；而输液管理，管道护理等反映了临床最为常见的医疗护理条目；而生命体征的监测反映了临床上最常见的医疗护理内容。这充分考虑了[12-13]：①照护内容的制订要从临床实际出发，针对不同老人具体的护理内容可能千差万别，因此，具体护理条目多少以及照护强度均应作为照护分级考虑的重要依据；②长期照护过程中，老人需要照护的不仅是疾病本身，更多的是在疾病发展到一定过程或程度后所表现出的症状表现，而这种表现不仅存在于躯体，更表现在精神、情绪相关的改变上，指标的选择中涉及情绪、心情的变化，涉及精神和认知的能力问题也会极大影响照护的强度；由此可见，该研究入选的指标从内容结构上均可以用专业知识合理进行归类和分析，具有较强的实用性和逻辑性。

3.2 分级标准的建立

在养老机构老年人健康问题和照护需求多样化的情况下，不同能力等级老年人的照护需求有不同的特点。但目前现阶段我国大部分养老机构的服务主要集中于给老人提供饮食、起居等最基本的生活服务需求，而在专业理疗护理、精神慰藉、康复健康咨询等方面存在空白[14]。 通过分级标准，能够给予不同能力和养老需求的老人提供更加全面的医养结合型养老模式，应该是未来工作的重点。基于养老机构的老人评估应该是以人为中心的综合评估模式，重点关注老年人的医学、心理学和社会学、躯体功能状况和生活质量等多方面问题。 通过研究的分级，结合人工智能平台数据的采集，能够确保实行一个全人、全程的连续性管理，通过全面的评估和分级能为老人提供一个综合性养老照护方案。这个方案包括预防保健、疾病诊疗、精神慰藉、康复护理和长期随访[15-16]。在该研究中，通过照护分级能够精确地评估出不同级别老人的照护需求和等级。能力完好的老人由于自理和认知状况完好，而平台监测到的行为问题为吸烟和酗酒，针对这类老人，等级照护重点就可以倾向于慢性病宣教，协助改变不良生活习惯，提高生活质量；轻度失能老年人躯体问题不明显，主要存在日常生活活动能力和心理社会等问题，需要在照护中密切观察心理变化情况，定期使用量表评估，安排相应的心理咨询和健康服务；中度和重度失能老年人的主要问题为日常生活活动能力受限和疾病本身造成的症状影响患者的生存质量，需要为其提供日常生活照料和医疗护理服务，其照护分级因为评估内容的偏向和护理项目的增加和强度的提高综合考虑分级也相应提高。通过对养老机构老年人健康状况和护理需求的调查，结合人工智能平台采集的连续性生命体征数据和行为活动数据，得出不同能力等级老年人在护理服务内容上的不同需求，其意义和价值体现在[17]：①为政府出台政策规定和制订护理计划提供参考；②为合理分配卫生资源提供依据，避免资源浪费；③辅助机构照护管理工作，为护理人员的分层管理提供依据；④为制订长期护理险的赔付标准提供依据。

3.3 物联网—大数据平台对照护分级制定的积极作用

该研究所使用的基于人工智能的“物联网＋大数据”养老照护平台是一个综合性的信息聚合平台，也是一个开放式的能力共享平台，在该研究中，平台跨领域地接入物联传感设备，实时采集基础数据和行为数据，另一方面平台对多元信息进行清洗、融合和存储，通过与评估量表相结合，充分挖掘分析和基于神经网络的机器学习，帮助照护人员进行照护分级标准的制订。 平台将面向养老服务机构提供实时性、移动性、综合性特征的泛在信息，以及基于这些信息融合产生的照护内容，确定照护强度，使老人能够获得更个性化、智能化、主动化的服务，也帮助养老机构细分养老照护市场，方便开展新的业务品类[18]。 这些智慧养老服务建立在信息、数据和知识的基础上，是信息整合、归纳、分析之上的知识升华。在物联网和大数据的共同支持下，机构在平台上能为老人提供快速、准确、及时、有效、智慧化、综合性的服务，为养老服务机构提供可供快速部署和高效管理的智能应用系统，为政府管理部门提供制定发展规划和应急响应决策的依据。

3.4 照护分级模型的应用

通过该分级标准的制订，能够用来区分“一般”老人和真正有护理需求的老人，同时通过该分级的使用，将真正有照护需求的老人进行适当的分级。 前期研究显示，在对老人的自我照护需求评估的过程中，有近一半老人认为自己是需要照护的，而实际情况证实，这种照护的需求被大大高估了。通过该分级标准，让老人在接受护理照护之前，对其健康状况和护理需求进行全面的评估，充分了解老人是否需要照护，如果需要照护应该接受哪方面的护理照护、是否需要医疗介入，生活服务需求是哪些，明确各自的照护需求和照护强度，有助于设定合理的护理服务项目和服务标准，减少不必要的护理资源投入，提高服务质量。对老人的照护分级应该也是动态的，老人在接受照护后，能够通过该分级标准对老人的健康状况和护理需求重新进行评估，可以为评价护理服务质量，改进照护内容，提高照护质量提供科学、客观的数据支持。

对老人照护进行全面的评估和护理标准分级，也是建立老人照护保险的基础工作和关键保证之一。对于老人护理的全面综合性评估和标准化分级是一项十分重要的工作。 老人护理涉及到躯体、心理和生活自理3 个层面，护理内容相应也要涉及到生活服务、护理服务和医疗服务。借助平台记录的照护需求评级结果确定服务内容、服务质量和服务效果，从而确定合理的给付标准，帮助保险方依据照护等级支付相应费用，也可以通过照护需求评估确定照护者所需缴纳保险费用，促进老年保险的可持续化发展[19]。

综上所述，基于人工智能的辅助，研究完成了养老照护需求评估的项目池构建和分级标准构建，但该研究仍有不足之处：①在查找文献的过程中，研究发现各国对于老人照护标准制订背景不同，因此，各国的标准也不尽相同，查阅的文献大多都是简单的分级，缺乏对分级当时的详细描述，因此，该研究未将自己的分级模型与国外的分级模型进行比较。但该研究在建立模型后进行了实践工作的检验，部分弥补了模型建立的不足；②该研究涉及的样本量较小，可能在统计上不能完全控制在模型建立中的人为偏倚。在文献查阅、专家咨询、统计分析中都有可能存在一定的误差不能消除。 因此，模型还需要更多实践检验，以达到不断修正和完善。