劉雨安，楊小文，李樂之

（1.湖南中醫(yī)藥大學(xué) 護(hù)理學(xué)院，湖南 長沙410208；2.中南大學(xué) 湘雅護(hù)理學(xué)院，湖南 長沙410013）

近年來，人工智能（artificial intelligence,AI）技術(shù)在醫(yī)療衛(wèi)生領(lǐng)域的發(fā)展成為關(guān)注的焦點(diǎn)， 應(yīng)用也越來越廣泛。 2017 年國務(wù)院印發(fā)的《新一代人工智能發(fā)展規(guī)劃》中提出[1]，國家重點(diǎn)發(fā)展人工智能技術(shù)，完善適應(yīng)人工智能技術(shù)的醫(yī)療政策體系、重點(diǎn)任務(wù)、保障措施等， 并加快創(chuàng)新應(yīng)用， 以緩解就醫(yī)診療困難、提升公眾健康水平。 機(jī)器學(xué)習(xí)（machine learning,ML）是一門研究計(jì)算機(jī)如何從數(shù)據(jù)中學(xué)習(xí)并挖掘信息的科學(xué)學(xué)科[2]，是人工智能的本質(zhì)，它代表著一套強(qiáng)大的算法，可以對(duì)數(shù)據(jù)進(jìn)行描述、學(xué)習(xí)、分析和預(yù)測(cè)等，具有高效、準(zhǔn)確、通用等優(yōu)點(diǎn)[3]。 在如今大數(shù)據(jù)的時(shí)代背景下， 信息化的飛速發(fā)展給臨床工作者帶來了大量復(fù)雜的醫(yī)療數(shù)據(jù)， 而機(jī)器學(xué)習(xí)具有強(qiáng)大的從數(shù)據(jù)中提取信息的能力， 為智能數(shù)據(jù)的采集、分析、存儲(chǔ)和預(yù)測(cè)提供了大量有價(jià)值的工具[4]。 其中，疾病預(yù)測(cè)模型的構(gòu)建是機(jī)器學(xué)習(xí)常見的應(yīng)用之一，目前已有大量研究使用機(jī)器學(xué)習(xí)算法進(jìn)行疾病預(yù)測(cè)模型的構(gòu)建與驗(yàn)證[4-7]，并證明了其對(duì)臨床疾病的管理與決策具有積極的輔助作用。 本研究對(duì)機(jī)器學(xué)習(xí)技術(shù)進(jìn)行簡要介紹， 并對(duì)其在疾病預(yù)測(cè)中的應(yīng)用進(jìn)行綜述， 以期促進(jìn)護(hù)理工作者對(duì)機(jī)器學(xué)習(xí)技術(shù)的了解，探索未來可發(fā)展的方向，推動(dòng)人工智能在醫(yī)療領(lǐng)域的發(fā)展。

1 機(jī)器學(xué)習(xí)概述

機(jī)器學(xué)習(xí)是一門多領(lǐng)域交叉的學(xué)科， 它是指利用計(jì)算機(jī)模擬人的思維方式[8]，使其像人一樣具備學(xué)習(xí)能力，從而能夠在沒有任何明確編程的情況下，基于大量的訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)， 利用系統(tǒng)本身進(jìn)行自我改進(jìn)，逐步提高性能[9]，然后根據(jù)學(xué)習(xí)的行為做出復(fù)雜的決策，是計(jì)算機(jī)具有智能的根本途徑[4]。 與傳統(tǒng)的醫(yī)療電子信息系統(tǒng)的不同在于， 傳統(tǒng)的醫(yī)療電子信息系統(tǒng)是整合患者的各項(xiàng)數(shù)據(jù)， 基于特定的規(guī)則流程與知識(shí)庫進(jìn)行數(shù)據(jù)的采集與相關(guān)的計(jì)算等，而機(jī)器學(xué)習(xí)通過自行探索，能夠挖掘數(shù)據(jù)間更深層次的隱含規(guī)律，捕獲與處理變量之間多層次、交互的非線性關(guān)系，建立關(guān)聯(lián)因子模型[10]，不僅在效率和準(zhǔn)確性方面更具有優(yōu)越性，并且能夠契合實(shí)際臨床工作全面性、復(fù)雜性的特點(diǎn)[11]，做出更準(zhǔn)確的預(yù)判與決策。 機(jī)器學(xué)習(xí)的方法主要有監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和半監(jiān)督學(xué)習(xí)，常見的算法有Logistic 回歸分析、決策樹、隨機(jī)森林、人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等。

2 機(jī)器學(xué)習(xí)在疾病預(yù)測(cè)中的應(yīng)用

2.1 預(yù)測(cè)疾病發(fā)生風(fēng)險(xiǎn) 疾病風(fēng)險(xiǎn)預(yù)測(cè)模型是以疾病的多風(fēng)險(xiǎn)因素為基礎(chǔ)， 按影響程度的大小劃分分值， 利用數(shù)學(xué)公式計(jì)算某個(gè)人未來發(fā)生某個(gè)事件的概率的一種統(tǒng)計(jì)性評(píng)估方式[12]，構(gòu)建疾病風(fēng)險(xiǎn)預(yù)測(cè)模型可以使醫(yī)護(hù)人員對(duì)不同風(fēng)險(xiǎn)概率的群體實(shí)施有針對(duì)性的干預(yù)措施， 對(duì)改善患者結(jié)局具有重要意義。 機(jī)器學(xué)習(xí)由于其強(qiáng)大的挖掘信息與探索數(shù)據(jù)間聯(lián)系的能力， 已有大量研究使用機(jī)器學(xué)習(xí)算法構(gòu)建疾病發(fā)生風(fēng)險(xiǎn)的預(yù)測(cè)模型。

Barton 等[13]開發(fā)了一種基于機(jī)器學(xué)習(xí)的膿毒癥預(yù)測(cè)模型， 并將其與全身炎癥反應(yīng)綜合征評(píng)分（Systemic Inflammatory Response Sydrome,SIRS）、改良早期預(yù)警評(píng)分（Modified Early Warning Score,MEWS）、序貫器官衰竭評(píng)估 （Sequential Organ Failure Assessment,SOFA）等多個(gè)傳統(tǒng)的膿毒癥評(píng)分比較。結(jié)果發(fā)現(xiàn)，在膿毒癥發(fā)病時(shí)、發(fā)病前24 h 和48 h，其ROC 曲線下面積分別為0.88、0.83 和0.84，而傳統(tǒng)的膿毒癥評(píng)分僅在0.60～0.72。 Mohamadlou 等[14]構(gòu)建了住院患者急性腎損傷（Acute Kidney Injury,AKI）的機(jī)器學(xué)習(xí)預(yù)測(cè)模型，其在AKI 發(fā)病時(shí)和發(fā)病前12 h 的預(yù)測(cè)能力分別為0.872 和0.8， 并同時(shí)與傳統(tǒng)評(píng)估工具進(jìn)行比較，證實(shí)了基于機(jī)器學(xué)習(xí)構(gòu)建的模型效果更為出色。Wang 等[15]和Corradi 等[16]構(gòu)建了評(píng)估譫妄發(fā)生風(fēng)險(xiǎn)的機(jī)器學(xué)習(xí)模型， 其ROC 曲線下面積分別為0.925～0.994 和0.909，顯示出了高度的準(zhǔn)確性，其中梯度提升算法的準(zhǔn)確率達(dá)到96.7%，具有很高的臨床使用價(jià)值。 除此之外，還有研究將機(jī)器學(xué)習(xí)技術(shù)應(yīng)用于預(yù)測(cè)尿 路 感 染[17]、心 跳 驟 停[18-19]、ICU 再 入院[20]、壓瘡，跌倒等各種護(hù)理不良事件[10，21-22]、甚至是抑郁自殺等事件的發(fā)生風(fēng)險(xiǎn)中[23-24]，并獲得了令人滿意的效果。

由此可見， 使用機(jī)器學(xué)習(xí)算法構(gòu)建風(fēng)險(xiǎn)預(yù)測(cè)模型已被廣泛應(yīng)用于不同領(lǐng)域當(dāng)中。 護(hù)士作為患者的主要照顧者， 在患者病情觀察以及疾病的預(yù)測(cè)中處于關(guān)鍵位置，與傳統(tǒng)的風(fēng)險(xiǎn)預(yù)測(cè)模型或評(píng)分相比，機(jī)器學(xué)習(xí)建模具有準(zhǔn)確、敏感、通用等優(yōu)勢(shì)，能夠剖析數(shù)據(jù)間多因素的深層次交互關(guān)系[10]，探索更復(fù)雜的線性或非線性關(guān)聯(lián)， 在各種臨床環(huán)境中預(yù)測(cè)疾病發(fā)生風(fēng)險(xiǎn)的能力更高， 對(duì)促進(jìn)醫(yī)護(hù)人員早期干預(yù)以改善患者結(jié)局具有重要意義。

2.2 預(yù)測(cè)疾病預(yù)后及風(fēng)險(xiǎn)分層

2.2.1 在急診分診中的應(yīng)用 醫(yī)院的急診室內(nèi)常常人滿為患， 分診中面臨的主要難題是如何根據(jù)患者預(yù)后的嚴(yán)重程度對(duì)患者進(jìn)行分類， 如何準(zhǔn)確區(qū)分危重患者和穩(wěn)定患者，并將其分為優(yōu)先次序。機(jī)器學(xué)習(xí)作為一種強(qiáng)大的算法框架，具有快速、準(zhǔn)確的預(yù)測(cè)患者結(jié)局及風(fēng)險(xiǎn)分層的能力， 在急診分診中具有廣大的應(yīng)用潛力。

Fernandes 等[25]以識(shí)別急診中需要入住ICU 的高風(fēng)險(xiǎn)患者為目標(biāo)， 使用Logistic 回歸算法構(gòu)建機(jī)器學(xué)習(xí)模型， 并分別在美國和葡萄牙的2 家醫(yī)院進(jìn)行應(yīng)用，其ROC 曲線下面積分別為0.91 和0.85，可以有效識(shí)別出在急診中需轉(zhuǎn)入ICU 的高?；颊摺evin 等[11]使用隨機(jī)森林算法構(gòu)建了E-triage 分診器， 該模型能夠預(yù)測(cè)急診患者的結(jié)局以及對(duì)重癥監(jiān)護(hù)、急診醫(yī)療程序或住院的需要程度，并將風(fēng)險(xiǎn)轉(zhuǎn)化為分診等級(jí)，其模型的ROC 曲線下面積為0.73～0.92。同時(shí)， 研究者將E-triage 模型與美國常用的急診嚴(yán)重程度評(píng)分進(jìn)行比較， 表示該模型能夠更準(zhǔn)確及快速的對(duì)患者進(jìn)行分類與風(fēng)險(xiǎn)管理。 Parker 等[26]開發(fā)了一個(gè)機(jī)器學(xué)習(xí)模型以預(yù)測(cè)急診患者需要住院的概率，以期能夠盡早通知相關(guān)病房，做好患者的交接，減少急診室內(nèi)的擁擠， 促進(jìn)病床等醫(yī)療資源的優(yōu)化管理與分配。由此可見，基于機(jī)器學(xué)習(xí)技術(shù)對(duì)患者進(jìn)行風(fēng)險(xiǎn)預(yù)測(cè)與分層， 有利于提高急診醫(yī)護(hù)人員的工作效率與準(zhǔn)確性， 以及為患者提供針對(duì)性的治療護(hù)理措施，這不僅對(duì)改善患者預(yù)后產(chǎn)生積極影響，并且可以最大程度的促進(jìn)醫(yī)療資源的優(yōu)化分配。

2.2.2 在應(yīng)對(duì)重大公共衛(wèi)生危機(jī)中的應(yīng)用 使用機(jī)器學(xué)習(xí)技術(shù)對(duì)患者進(jìn)行更高效的風(fēng)險(xiǎn)分層， 優(yōu)化醫(yī)療資源的管理與分配， 也有效增強(qiáng)了醫(yī)療衛(wèi)生系統(tǒng)應(yīng)對(duì)突發(fā)重大公共衛(wèi)生危急的能力。 自2020 年以來，世界范圍內(nèi)新型冠狀病毒肺炎（COVID-19）患者人數(shù)劇增，給全球衛(wèi)生系統(tǒng)造成了巨大沖擊。我國學(xué)者Gao 等[27]構(gòu)建了COVID-19 患者死亡風(fēng)險(xiǎn)預(yù)測(cè)模型，該模型能夠提前20 d 對(duì)COVID-19 患者進(jìn)行生理惡化的預(yù)測(cè)與死亡風(fēng)險(xiǎn)的分層， 有利于促進(jìn)醫(yī)務(wù)人員對(duì)高風(fēng)險(xiǎn)的COVID-19 患者進(jìn)行及時(shí)的干預(yù)與治療；國外學(xué)者Cheng 等[28]構(gòu)建了一個(gè)基于機(jī)器學(xué)習(xí)的風(fēng)險(xiǎn)優(yōu)先排序工具，用于識(shí)別24 h 內(nèi)需要轉(zhuǎn)入ICU 的高風(fēng)險(xiǎn)COVID-19 患者，其ROC 曲線下面積為79.9%， 一定程度上改善了醫(yī)院資源的管理與分配， 促進(jìn)了對(duì)COVID-19 患者提供更有效的護(hù)理；Vaid 等[29]使用機(jī)器學(xué)習(xí)算法構(gòu)建模型，可以提前10 d預(yù)測(cè)不同患者群體中的危重患者和死亡率， 并確定了影響預(yù)測(cè)結(jié)果的潛在因素，使醫(yī)務(wù)人員可以通過觀察這些指標(biāo)來改善對(duì)患者的治療決策，從而為患者提供更有針對(duì)性的治療與護(hù)理。

由此可見， 充分發(fā)揮機(jī)器學(xué)習(xí)的優(yōu)勢(shì)應(yīng)對(duì)突發(fā)重大衛(wèi)生事件，不僅可以更高效的優(yōu)化資源分配，為患者提供其所需的治療等級(jí)與資源， 并且可以促進(jìn)對(duì)未知疾病的探索， 分析其惡化的影響因素及潛在原因，為醫(yī)護(hù)人員實(shí)施干預(yù)措施提供依據(jù)，提高醫(yī)療衛(wèi)生系統(tǒng)應(yīng)對(duì)突發(fā)公共衛(wèi)生危急的能力。

2.3 預(yù)測(cè)慢性病進(jìn)展情況 機(jī)器學(xué)習(xí)技術(shù)在慢性病管理中也具有極大的發(fā)展?jié)摿Α＝陙?，隨著社區(qū)醫(yī)院的不斷發(fā)展，以及移動(dòng)健康A(chǔ)pp、傳感器、可穿戴監(jiān)測(cè)設(shè)備等的流行， 人們?cè)谌粘Ｉ钪挟a(chǎn)生大量、連續(xù)的健康數(shù)據(jù)為機(jī)器學(xué)習(xí)的使用提供了合適的條件。2.3.1 高血壓管理 高血壓是指血管壓力持續(xù)增高的一種狀態(tài)，根據(jù)世界衛(wèi)生組織的數(shù)據(jù)[30]，全球約有11.3 億的高血壓患者，是最常見的慢性疾病。高血壓會(huì)增加患者心、腦、腎臟等疾病的發(fā)生風(fēng)險(xiǎn)，是世界范圍內(nèi)過早死亡的主要原因， 一直以來是研究的焦點(diǎn)。近年來，機(jī)器學(xué)習(xí)與數(shù)據(jù)挖掘技術(shù)的發(fā)展也為高血壓疾病的管理提供了新的方法與思路。Chang 等[31]使用支持向量機(jī)、 決策樹和隨機(jī)森林等算法構(gòu)建了血壓預(yù)測(cè)模型，該模型整合患者體檢的多項(xiàng)指標(biāo)進(jìn)行預(yù)測(cè)，對(duì)高血壓患者的病情轉(zhuǎn)歸以及并發(fā)癥的預(yù)測(cè)與控制具有良好效果；Weng 等[32]使用來自英國378 256例患者的數(shù)據(jù)進(jìn)行前瞻性的隊(duì)列研究，構(gòu)建了機(jī)器學(xué)習(xí)模型以預(yù)測(cè)個(gè)體在未來10 年發(fā)生心血管事件的風(fēng)險(xiǎn)，結(jié)果具有較好的敏感性與特異性，顯著提高了心血管疾病風(fēng)險(xiǎn)預(yù)測(cè)的準(zhǔn)確性，促進(jìn)患者從預(yù)防治療中獲益；Lee 等[33]基于韓國國家醫(yī)療保健數(shù)據(jù)庫，使用機(jī)器學(xué)習(xí)算法構(gòu)建了高血壓患者并發(fā)癥的預(yù)測(cè)模型，該研究使用國家醫(yī)療數(shù)據(jù)庫，納入了更廣泛的觀察變量與數(shù)據(jù)，使其得到的結(jié)果更可靠及有權(quán)威性，對(duì)該國高血壓患者的指導(dǎo)與管理具有重要意義。

2.3.2 糖尿病管理 糖尿病是一種慢性代謝性疾病，全球約有4.22 億的糖尿病患者[34]，并在近幾十年增加迅速， 血糖的管理一直以來是國內(nèi)外學(xué)者研究的重點(diǎn)。 隨著科技化、信息化的快速發(fā)展，糖尿病患者的血糖管理方法也在不斷創(chuàng)新， 機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘在糖尿病研究中的應(yīng)用越來越廣泛，其中，血糖預(yù)測(cè)、血糖異常檢測(cè)、糖尿病并發(fā)癥的預(yù)測(cè)等方面成為研究的重點(diǎn)。

血糖預(yù)測(cè)是指基于患者過去和當(dāng)前的情況，預(yù)測(cè)個(gè)體的血糖水平， 主要目的是為了指導(dǎo)個(gè)性化的血糖管理以及提供必要的警報(bào)。 Georga 等[35]構(gòu)建了糖尿病患者發(fā)生低血糖的預(yù)測(cè)模型， 該模型在提前30 min 和60 min 預(yù)測(cè)低血糖事件的準(zhǔn)確率均在90%以上，能夠有效預(yù)防不良事件的發(fā)生；Zeevi 等[36]設(shè)計(jì)了一種算法， 該算法集成了血液參數(shù)、 飲食習(xí)慣、體力活動(dòng)和腸道微生物群等多方面數(shù)據(jù)，可以預(yù)測(cè)現(xiàn)實(shí)生活中個(gè)性化的餐后血糖反應(yīng)， 有助于指導(dǎo)患者飲食管理，改善餐后血糖升高現(xiàn)象。糖尿病的視網(wǎng)膜病變是患者視力障礙和失明的重要原因， 有學(xué)者使用深度學(xué)習(xí)方法對(duì)糖尿病患者進(jìn)行視網(wǎng)膜篩查， 其結(jié)果證明基于機(jī)器學(xué)習(xí)的方法可以有效篩查并早期發(fā)現(xiàn)患者的視網(wǎng)膜病變[37]，Dagliati 等[38]使用邏輯回歸的方法構(gòu)建了機(jī)器學(xué)習(xí)模型， 其根據(jù)患者在第1 次就診時(shí)的健康狀況， 可以預(yù)測(cè)出該患者在未來3 年、5 年和7 年內(nèi)微血管病變的發(fā)生風(fēng)險(xiǎn)（包括視網(wǎng)膜病變及腎臟病變等），有助于醫(yī)務(wù)人員給予針對(duì)性的指導(dǎo)與教育來減緩并發(fā)癥的發(fā)生， 提高患者的生活質(zhì)量。

2.3.3 其他慢性病管理 除此之外， 還有很多學(xué)者將機(jī)器學(xué)習(xí)技術(shù)應(yīng)用于其他慢性病的管理中。 慢性阻塞性肺疾病 （chronic obstructive pulmonary diseases,COPD）是常見的肺部病變，不僅嚴(yán)重影響生活質(zhì)量，也增加了患者的死亡率。 COPD 急性惡化是患者住院的常見原因，Orchard 等[39]將機(jī)器學(xué)習(xí)應(yīng)用于COPD 急性惡化的預(yù)測(cè)建模， 增強(qiáng)了對(duì)COPD 患者的遠(yuǎn)程監(jiān)控與管理， 有利于病情惡化的早期識(shí)別與治療，減少患者住院率；Wang 等[40]將神經(jīng)網(wǎng)絡(luò)算法應(yīng)用于阿爾茲海默癥患者的病情進(jìn)展， 結(jié)果表明該模型可以有效預(yù)測(cè)患者的疾病進(jìn)展情況， 具有較高的臨床使用價(jià)值；Shi 等[41]開發(fā)了乳腺癌術(shù)后患者2年生存質(zhì)量的機(jī)器學(xué)習(xí)預(yù)測(cè)模型， 從而指導(dǎo)護(hù)理人員為患者提供針對(duì)性的延續(xù)護(hù)理， 輔助延續(xù)護(hù)理決策。由此可見，使用機(jī)器學(xué)習(xí)的方法可以準(zhǔn)確預(yù)測(cè)慢性疾病的進(jìn)展模型， 從而有針對(duì)性地為患者實(shí)施科學(xué)的慢性病管理，制定個(gè)性化的管理方案，以延緩病情進(jìn)展，提高患者生活質(zhì)量。

2.4 預(yù)測(cè)患者治療效果 預(yù)測(cè)患者治療效果的主要目的是做出一個(gè)是否實(shí)施該干預(yù)的決定， 從而避免低價(jià)值的醫(yī)療程序。 隨機(jī)對(duì)照試驗(yàn)（randomized control trials,RCT）是驗(yàn)證干預(yù)效果的金標(biāo)準(zhǔn)，但由于其有嚴(yán)格的納入排除標(biāo)準(zhǔn)， 并未考慮接受治療人群的個(gè)體異質(zhì)性。 電子健康檔案 （electronic health records,EHR）包含大量的患者個(gè)性化信息，并且已廣泛在臨床應(yīng)用，根據(jù)EHR 數(shù)據(jù)評(píng)估個(gè)體化的干預(yù)效果逐漸受到重視，大數(shù)據(jù)被認(rèn)為是RCT 的補(bǔ)充方案[42]。 Choi 等[43]基于循環(huán)神經(jīng)網(wǎng)絡(luò)建立了AI 醫(yī)生，可以使用患者的歷史病歷來預(yù)測(cè)干預(yù)治療后的結(jié)果，顯示了機(jī)器學(xué)習(xí)用于臨床決策輔助的巨大潛力；Tahmassebi 等[44]開發(fā)機(jī)器學(xué)習(xí)模型用以預(yù)測(cè)新輔助化療措施用于治療乳腺癌患者的效果， 該模型能夠較準(zhǔn)確地預(yù)測(cè)患者在此治療措施下的生存結(jié)果，并幫助早期識(shí)別對(duì)此治療反應(yīng)欠佳的患者， 為指導(dǎo)治療決策提供有價(jià)值的預(yù)測(cè)信息。

醫(yī)務(wù)人員將患者資料及歷史病例輸入機(jī)器學(xué)習(xí)模型，根據(jù)這些包含異質(zhì)性的患者數(shù)據(jù)，模型可推斷出患者在接受治療和不接受治療時(shí)的不同結(jié)果，醫(yī)護(hù)人員可以由此來決定此干預(yù)是否有益。 這也可以是不同干預(yù)措施之間的選擇，通過模型的預(yù)測(cè)，可以計(jì)算出不同干預(yù)措施實(shí)施后患者的不同結(jié)局， 從而輔助選取最佳的治療措施， 這保障了干預(yù)的質(zhì)量與效果，減少了低價(jià)值醫(yī)療程序。 然而，目前機(jī)器學(xué)習(xí)用于預(yù)測(cè)患者治療效果的研究多集中于化療方案或用藥策略的選擇， 較少有研究關(guān)于護(hù)理措施效果的預(yù)測(cè)與選擇，因此也是未來的研究方向。

3 挑戰(zhàn)與展望

隨著大數(shù)據(jù)時(shí)代的到來和人工智能技術(shù)的發(fā)展，機(jī)器學(xué)習(xí)作為人工智能的核心，其與醫(yī)學(xué)領(lǐng)域的結(jié)合受到越來越多的關(guān)注與發(fā)展。 然而，機(jī)器學(xué)習(xí)技術(shù)在臨床中的使用是機(jī)遇也是挑戰(zhàn)，作為新興的醫(yī)療電子信息技術(shù)，目前仍面臨著很多挑戰(zhàn)。 首先，訓(xùn)練出一個(gè)準(zhǔn)確性高且普遍適用的機(jī)器學(xué)習(xí)模型對(duì)樣本數(shù)據(jù)及隊(duì)列的選擇提出較高的要求。 雖然信息化的發(fā)展帶來了大量的醫(yī)療數(shù)據(jù)，但同時(shí)難以避免EHR 中數(shù)據(jù)缺失及低質(zhì)量的問題[45]，這容易導(dǎo)致挖掘信息不良以及模型的過度擬合，減少準(zhǔn)確性與權(quán)威度。 此外，臨床醫(yī)護(hù)人員對(duì)信息化發(fā)展的接受程度和重視程度都尚為缺乏，同樣不利于臨床信息化的建設(shè)與發(fā)展。 因此，在未來的研究中，建議加強(qiáng)EHR 數(shù)據(jù)高質(zhì)量的錄入與管理，這是任何臨床決策支持系統(tǒng)的基礎(chǔ)。 同時(shí)，還應(yīng)加強(qiáng)對(duì)醫(yī)護(hù)人員進(jìn)行計(jì)算機(jī)信息技術(shù)的相關(guān)理論與技能培訓(xùn)，以及鼓勵(lì)跨學(xué)科合作和加強(qiáng)醫(yī)學(xué)信息技術(shù)人才的培養(yǎng)，提高臨床工作人員的信息素養(yǎng)與計(jì)算機(jī)技術(shù)的使用能力，將機(jī)器學(xué)習(xí)更多的應(yīng)用于護(hù)理領(lǐng)域，指導(dǎo)護(hù)理計(jì)劃制定，輔助護(hù)士的臨床決策，推動(dòng)我國醫(yī)療信息化、智能化的發(fā)展。