编辑推荐：
为提升养老院老人福祉，研究人员开展 AI 与护理互动研究，发现关键因素，对护理培训意义重大。
随着全球人口老龄化加剧，养老院在照顾失能老人方面的作用愈发关键。然而，当前养老院护理面临诸多挑战。一方面，护理人员与老人互动时的语言技能对提升老人福祉至关重要，但由于存在诸如对老人依赖问题的禁忌、私立养老院管理丑闻、护理人员效率压力以及多样的护理场景等因素，使得监测这些语言技能困难重重。另一方面，现有的依赖人工智能的监测设备，如 OSO-AI 的麦克风设备、Emobot 机器人等，虽然能为医护人员、护理人员和家属提供老人的相关信息，却大多聚焦于老人的一般环境，忽视了护理人员与老人之间的互动交流。此外，法国的护理体系还面临时间和人员短缺的问题，且患有神经退行性疾病（如阿尔茨海默病）的老人数量不断增加，这使得对护理质量提升的需求更为迫切。
在这样的背景下，法国洛林大学（Lorraine University）的 Marie Lefelle 和法国阿托伊斯大学（Univ-artois）的 Mouny Samy Modeliar 等研究人员，开展了一项旨在利用人工智能改善养老院护理互动和培训的研究。该研究成果发表在《GeroScience》上。
研究人员采用了多种关键技术方法。在数据收集方面，与众多护理人员密切合作，于 2019 年和 2023 年在法国的 EHPAD Stéphane Kubiak 养老院进行数据采集，包括 34 个完整转录的音频和视频记录以及通过平板电脑进行的问卷调查，涉及约 100 名居民和 50 名护理人员。在数据分析阶段，运用机器学习模型，特别是随机森林（RF）、受限玻尔兹曼机（RBM）和因果森林算法，并借助 PyXAI 工具进行解释分析。
研究结果如下：
- 描述性分析：研究发现 74% 的护理会话是成功的。在影响护理成功的因素中，幽默的使用对护理会话成功影响显著，使用幽默时成功率可达 92%，不使用则降至 65%；居民的拒绝（包括言语和非言语）对护理成功影响重大，不拒绝时护理成功的可能性高 31%；而使用老人的名字等因素对护理成功影响较小。
- 随机森林分析：随机森林模型在测试集上表现良好，准确率达 84.3%，精确率为 94.4%，召回率是 86.1%，F1分数为 90.1%。通过该模型确定了与互动相关的特征，如居民的言语或非言语拒绝、攻击性，护理人员的幽默、重塑自信（renarcissization）和重新表述等，是决定护理是否成功的重要因素。
- PyXAI 分析：通过 PyXAI 分析，发现护理人员的一般经验和与老人的本地经验（习惯）、居民的耳聋和攻击性等是在最小原因中出现频率较高的变量。同时，该分析还能为护理成功或失败提供具体原因，帮助护理人员调整护理策略。
- 因果森林分析：因果森林算法研究发现，幽默对护理成功有重要影响，但在居民存在言语或非言语拒绝、攻击性，以及护理人员语速较慢时，幽默可能无效或应避免使用；而当患者出现异常重复时，幽默可能有助于缓解情况。
- RBM 分析：RBM 训练后的误差重建率较低，为 20%，但其预测能力相对较弱，如总体精确率仅 69.8%。不过，RBM 能够分析护理动态，揭示出不同的护理场景，如一种场景中护理人员采用积极策略促进互动，另一种场景中可能存在不适当的沟通方式影响护理效果。
研究结论和讨论部分指出，该研究强调了语言、积极倾听和幽默在护理互动中的重要性。语言相关变量，如重新表述和重塑自信，应纳入护理协议和护理人员培训中；居民的意愿，如言语和非言语拒绝，对护理质量和成功与否至关重要，护理人员应重视获取居民的同意；幽默在护理中虽有显著效果，但使用时需密切关注居民状态。此外，居民的攻击性也是影响护理成功的关键因素，应考虑减少居民的攻击性。同时，研究还指出经验在护理成功中起着不可或缺的作用，养老院管理应重视护理人员的经验。
然而，该研究也存在一定局限性，数据仅来源于一家养老院，可能存在数据偏差，研究结果的普适性有待提高。未来研究可扩大数据收集范围，涵盖更多不同地区和类型的养老院。同时，研究人员正在开发 COSIPAD 应用程序，旨在帮助培训护理人员与失能老人互动，提供个性化策略和实时反馈，有望提升护理质量，改善老人福祉。这项研究为养老院护理互动和培训提供了新的思路和方法，对推动人工智能在老年护理领域的应用具有重要意义。
