欢迎访问《中国医药导报》编辑部！

玻璃体腔药物注射术（intravitreal injection，IVI）是将抗血管内皮生长因子制剂或肾上腺皮质激素类药物直接注射入患者玻璃体腔，以治疗视网膜血管性疾病或眼内炎症（如葡萄膜炎）的治疗手段。现已成为治疗年龄相关性黄斑变性、糖尿病性黄斑水肿等眼底视网膜疾病的一线方法[1-4] 。日间手术是指患者在入院、手术和出院均在24 h内完成的手术治疗模式。作为一种高效的患者管理和治疗模式，因其高效性、安全性和便捷性，在全球范围内已被广泛应用于眼科、耳鼻喉科、妇科、泌尿外科等多种临床学科特定疾病的治疗中[5] 。目前国内外众多医疗中心已将IVI纳入日间手术的进行规范化管理，旨在显著缩短患者住院时间，降低医疗费用，提升治疗满意度[6-7] 。与其他系统疾病的日间手术治疗相比，IVI具有手术持续时间更短、患者数量多及手术周转率高等特点，因此对日间手术室护理人员的配合与管理提出较高要求[8] 。然而，现有综合手术室护理流程和患者管理模式，在应对IVI日间手术过程中呈现围手术期护理精细化程度不高、术中协同操作能力不足、手术室周转率低、接台时间及患者等待时间较长等问题[9] 。由于目前尚无针对IVI日间手术的护理管理系统和标准化护理路径以供临床参考，如何优化IVI日间手术护理的方法和流程以提升护理质量与手术效率日益成为亟待解决的难题。人工智能（artificial intelligence，AI）技术迅猛发展，其突破性优势主要体现在深度学习、自然语言处理、计算机视觉等核心领域。本研究通过多学科合作构建IVI日间手术护理管理系统，并将其与生成式AI模型进行整合，同时结合日间手术的护理管理方法对现有手术室软硬件进行优化，探索建立基于AI数据分析模型辅助的IVI护理系统，并将其运用于IVI日间手术护理和患者管理。运用新构建的护理系统能显著缩短手术接台时间，提升手术室周转率和围手术护理水平，提高患者满意度，为包括IVI在内的高周转率日间手术的护理与手术室管理提供理论依据和实践方法，具有较好的临床应用和推广价值。

1 对象与方法

1.1 研究对象

本研究为单中心、前瞻性随机对照试验。选取2023年7月至2025年7月于贵州医科大学附属医院眼科日间手术室预约并接受单眼单次IVI治疗的患者为研究对象。

1.1.1 样本量估算与分组

根据预实验数据，以术前准备时间为主要评价指标，设定α=0.05，β=0.2，效应量d=0.8，利用PASS 15.0软件计算，每组所需样本量为84例。考虑到20%的脱落率，最终确定每组纳入100例，共200例。采用计算机生成的随机数字表法将患者分为对照组和观察组，每组100例。分组方案由不参与数据收集和评估的研究助理密封保管。两组的年龄、性别、疾病诊断、既往IVI次数和美国麻醉医师协会分级比较，差异无统计学意义（P＞0.05），具有可比性。见表1。

1.1.2 纳入与排除标准

纳入标准：①年龄 ≥18岁；②诊断符合IVI治疗适应证，包括湿性年龄相关性黄斑变性、糖尿病性黄斑水肿、视网膜静脉阻塞继发黄斑水肿和脉络膜新生血管[1-4] ；③美国麻醉医师协会分级为Ⅰ~Ⅱ级[10] ；④意识清楚，具备基本沟通能力。排除标准：①美国麻醉医师协会分级Ⅲ级或以上，或存在严重未控制的全身性疾病（如未控制的高血压病、糖尿病、心力衰竭）；②患眼存在活动性感染、未控制的青光眼、或晶状体后囊膜缺损等IVI相对禁忌证；③全葡萄膜炎和自身免疫相关的玻璃体-视网膜炎症疾病；④患有严重认知障碍、精神心理疾病无法配合手术及随访；⑤预期随访困难或拒绝参与研究。

本研究经贵州医科大学附属医院医学伦理委员会审核批准，不涉及患者隐私及商业利益，符合相关法律法规要求。

1.2 研究方法

对照组采用贵州医科大学附属医院眼科日间手术室既有的常规护理与管理流程。①门诊医师开具手术预约单，患者至日间手术室前台登记；②护士手工排班，按大致时间区间通知患者报到；③患者按批次在等待区集中进行口头宣教和术前准备；④手术室按预约顺序呼叫患者，采用标准手术器械包，由护士依经验进行器械准备和术中配合；⑤术后常规观察、宣教后离院；⑥手工记录关键时间节点与不良事件。

观察组采用新构建的AI深度赋能IVI护理系统全程管理。

1.2.2.1 AI智能护理系统的开发与部署该系统采用“医院本地化部署”模式，以保障数据安全与隐私。开发团队由医疗信息化工程师、眼科临床医师、手术室护理专家及AI工程师共同构成。①系统架构与数据集成。在医院内部服务器集群部署AI核心平台，通过安全的应用程序编程接口网关，与医院信息系统、电子病历、手术麻醉信息系统及物联网设备进行双向数据交互。实现患者从预约、报到、术前、术中、术后到离院全流程数据的自动采集与结构化。②预测模型构建（数据准备与特征工程）。系统模型的训练基于贵州医科大学附属医院眼科过去3年超过1 000例的IVI手术历史数据。纳入的特征变量：人口学与基础疾病特征，包括年龄、性别、诊断、糖尿病/高血压病史及控制情况；历史手术特征，包括既往IVI次数、手术时长、并发症记录；护理评估特征，包括运用自然语言处理技术，从护理记录中提取“家属陪同情况”“情绪状态（焦虑/平静）”“行动能力”“听力/视力障碍”“既往失访记录”等非结构化信息。所有数据经脱敏、标准化及编码处理后，用于模型训练。③模型训练与输出。采用基于Transformer架构的深度学习模型，以“预测个体化手术时长”“识别特殊护理需求标签”为目标进行训练。模型输出包括预计手术时长及如“高龄独居”“高度焦虑”“行动障碍”“沟通困难”等结构化护理风险标签。④智能辅助决策的应用。动态智能排程，指系统以所有预约患者的预测时长、风险标签、手术室资源（房间数、护士人力）为输入，以“总患者等待时间最小化”和“高风险患者体验最优化”为目标函数，自动生成每日最优手术序列；排程护士可在可视化界面进行手动微调，系统实时重新计算以保持整体最优。个性化护理预案生成，指系统根据患者预测标签，自动生成结构化护理预案清单，并推送至责任护士的移动终端；如对“高龄独居+高度焦虑”患者，预案包括安排优先手术、允许家属延长陪同、指定沟通能力强的资深护士对接、术中增加言语安抚频次、术后强化家庭护理指导并标记为高频随访对象。全流程闭环管理，指系统自动记录全流程时间节点，生成可追溯的电子护理档案；术后根据预设规则（如术后1 d、1周）自动通过医院官方APP推送康复指导与满意度问卷；利用自然语言处理技术对患者文本反馈进行情感分析，自动生成质量改进报告，形成“计划-执行-检查-处理”的持续质量改进闭环。

1.2.2.2 系统与路径的整合实施观察组从预约开始即进入新系统管理流程。护士工作站及移动护理终端实时显示智能排程、患者清单、个性化预案及预警提示。护理人员严格遵循优化后的标准化路径执行各项操作。

1.3 观察指标

1.3.1 主要效率指标

①术前准备时间：从患者进入手术室，护士开始核对信息、布置设备、铺置无菌器械台开始，至手术医生完成术眼消毒铺巾、可立即开始注射为止的时间间隔，由系统自动记录。②患者等待时间：患者完成等待区登记、进入手术等候状态起，至被呼叫进入手术室的时间间隔，由系统自动记录。③单台手术持续时间：从手术医师开始放置开睑器或类似操作（即治疗操作开始），至术毕覆盖眼罩敷料、患者离开手术室为止的时间间隔，由系统自动记录。④单日手术容量：在每日固定开放时间段内（9:00—18:00），单个IVI专用手术间完成的手术总例数。

1.3.2 质量与安全指标

①护理操作失误：由经过培训的研究员通过现场观察及回顾手术录像进行记录，失误包括器械/物品传递错误、无菌物品污染、核对流程遗漏、配合时机明显延误等影响手术进程或患者安全的事件。②护理不良事件：记录围手术期发生、与护理操作或管理相关的非预期事件，采用贵州医科大学附属医院统一的不良事件上报系统进行规范登记，分类包括患者识别或鉴别错误、用药错误、跌倒/坠床、非计划性针刺伤、手术感染等。③护患沟通时间：记录从护士首次与患者进行术前核对与宣教开始，至患者表示理解、准备接受手术为止的纯沟通时间，由系统辅助记录。

1.3.3 满意度指标

①患者满意度：患者离院前，采用贵州医科大学附属医院自制的“日间手术护理服务满意度调查表”进行匿名调查。该量表Cronbach’ s α系数为0.89，内容包括环境、沟通、护理、整体体验等维度，总分为100分， ≥90分为满意。②手术医师满意度：每日手术结束后，由主刀医师填写简化的“手术配合满意度评价表”，对当日的护理配合效率、流畅度、预见性进行评价，分为满意与不满意。

1.4 统计学方法

采用SPSS 22.0统计学软件进行数据分析。计量资料进行Kolmogorov-Smirnov正态性检验，符合正态分布的计量资料采用均数±标准差

表示，比较采用两独立样本t检验；不符合正态分布的计量资料采用中位数（四分位数）[M（P25，P75）] 表示，比较采用Mann-Whitney U检验。计数资料采用例数和百分率表示，比较采用χ2检验。以P＜0.05为差异有统计学意义。

2 结果

2.1 成功建立AI驱动的IVI护理系统

该系统主要涵盖4个核心组成部分：系统架构与数据集成、预测模型开发、智能决策支持应用及全流程管理闭环构建。

2.1.1 智能推送与实时预警功能的实现

本研究在护士站及移动护理终端分别部署一套交互式、基于多系统集成数据的智能面板系统。该平台除动态展示每日手术安排、患者清单等基础信息外，核心在于引入AI驱动的实时分析与预测推送功能。系统能自动识别高风险或“高需求”患者、提示未完成的术前准备事项，并预测资源分配冲突，实现护理管理模式从“被动响应”到“主动智能管理”的重要转变。

2.1.2 智能决策支持系统的应用效果

将预测模型整合至临床护理流程中，主要在手术排程与护理预案生成两个方面发挥支持决策作用。①手术排程的动态优化：系统以个性化手术时长预测、特殊患者标签及手术室资源约束为输入变量生成排程方案，以总等待时间最短和特殊患者体验最优为目标。系统支持人工实时介入，并响应重新调整的需求。②个性化护理预案生成：根据患者基本情况预测标签自动生成个性化护理清单并推送至护士终端。系统针对“高龄”“独居”“焦虑”“行动障碍”或多“标签”患者，延长家属陪同时间、自动规划手术顺序、指定高年资或既往熟知的护士对接，术中强化安抚，术后强化家庭护理指导并纳入高频或高危随访提示清单。

2.1.3 全流程闭环管理的实现效果

新系统接入物联网设备，实现对患者从预约、入院、术前、术中、术后至离院的全节点自动记录，构建完整且可追溯的电子护理档案。术后自动发起随访并推送定制化问卷，后期对患者反馈执行技术分析，自动生成满意度和舆情报告，形成“操作-记录-分析-优化”的全流程管理闭环，支撑护理质量的持续改进。系统操作主界面见图1。

2.2 两组围手术期时间指标比较

观察组术前准备时间、患者等待时间、单台手术持续时间和护患沟通时间均短于对照组，差异有统计学意义（P＜0.05）。见表2。

2.3 两组手术室运行容量与护理工作负荷比较

通过优化布局与智能排程，观察组单间手术室日均手术容量为（25±1）台，高于对照组的（15±2）台（t=44.721，P＜0.001），提升幅度达66.7%[（25-15）/15× 100%] 。通过动作分析发现，观察组巡回护士的单台手术平均步距由5.9 m降至3.2 m，降低45.8%[（5.9-3.2）/5.9×100%] ，提示新系统可效降低护士的非必要体力消耗。

2.4 两组护理不良事件发生率及护理操作失误率比较

观察组的护理不良事件发生率和护理操作失误率均低于对照组，差异有统计学意义（P＜0.05）。见表3。

2.5 两组患者满意度和手术医师满意度比较

观察组的患者满意度为96.0%（96/100），高于对照组的87.0%（87/100）（χ2=5.207，P=0.022）。观察组的手术医师满意度为97.0%（97/100），高于对照组的89.0%（89/100）（χ2=4.916，P=0.027）。

3 讨论

IVI已日益成为眼科日间手术的重要组成，针对其护理流程的优化重构和标准化模式的建立对提升护理工作效率与服务质量具有双重价值[11] 。前期对手术全流程的时间动作分析发现，传统模式中仅43%的护理时间用于配合IVI操作，57%耗费于非增值环节（如器械准备、护患重复沟通、术后文书处理等），存在“隐形时间损耗”较突出的问题[12] 。IVI作为眼科高频率日间手术，其管理效率与护理质量直接影响患者的治疗体验和医疗资源利用率[5] 。本研究针对传统管理模式中存在的流程碎片化、信息不对称、资源调配依赖经验等问题，创新性地将AI智能决策系统指导护理路径的实施，实现从“被动响应”到“主动智能管理”的范式转变，其效率提升主要体现在以下方面。

3.1 AI赋能实现护理管理的精准化与前置化

本研究的核心创新在于构建基于真实世界数据驱动的AI预测与决策系统。传统排程依赖历史平均耗时，无法应对患者个体差异带来的波动，易导致手术室资源利用不均衡和患者等待时间延长[8] 。利用深度学习模型整合多模态特征，实现对手术时长的个性化预测，使动态智能排程成为可能，以数据优化替代经验估算，是缩短患者等待时间、提升手术室吞吐量的根本原因。系统通过自然语言处理技术挖掘医疗文书中的“隐性”风险因素（如焦虑、独居），实现对护理风险的识别和预判。据此生成的个性化护理预案，使针对特殊患者的个体化照护得以实现，可有效提升护理的个体化水平与患者安全感。这种基于数据分析的主动干预，有助于构建更加安全、高效的护理环境[13] 。

3.2 标准化路径重构提升流程效率与操作安全

AI系统发挥“智能核芯”的作用，优化重构的护理路径则形成高效的“执行躯体”[11] 。本研究通过多学科循证优化，对空间、物料、工作动线进行系统性再造。专用器械套包的使用，缩短术前铺台时间，并降低器械清点错误和污染风险[7] 。手术室布局与动线的优化，直接缩短护士不必要的行走距离，使其能将更多精力集中于直接的患者照护与高效配合上。分结点、标准化的术中配合流程，不仅提升医护默契度，减少配合失误，而且使之成为可快速复制的新护士培训工具，有利于团队能力的快速标准化提升。观察组护理操作失误率低于对照组，充分证明标准化、程序化的操作流程对提升护理准确性的重要作用[12] 。这种“AI智能调度+标准化落地执行”的模式为高周转日间手术单元的管理提供可复制的范本。

3.3 系统集成与闭环管理助力持续质量改进

本研究构建的全流程数字化闭环管理体系，不止于单次手术的效率提升，其长远价值在于为持续质量改进提供数据基础[11] 。系统自动采集的各类时间节点、操作记录、不良事件及患者反馈，构成完整的护理过程数据库。特别是通过自然语言处理技术对患者随访反馈进行的情感分析，能客观、及时地发现服务流程中的“痛点”与“堵点”[14] 。如在项目中期，系统分析提示部分老年患者对术后用药指导的语音播报速度反馈为“过快”，管理端据此及时调整宣教材料的语速和呈现形式。这种基于客观数据而非主观经验的决策，使质量改进更具针对性，推动护理服务从“经验管理”向“数据驱动管理”的深刻转型。一项基于学术-实践合作的质量改进项目证实，数据驱动的闭环管理能有效提升护理结局[15] 。

3.4 研究局限性与展望

本研究尚存在一定的局限性：①此为单中心研究，样本量相对有限，AI模型的表现可能受到特定患者群体和流程的影响，其普适性需进一步验证。②研究周期尚短，对系统与路径长期应用的稳定性、护理人员可能产生的技术依赖及患者长期接受标准化服务后的心理体验变化，仍需更长周期的追踪观察。③系统的初期部署涉及一定的硬件改造与人员培训成本，其在医疗资源差异较大不同等级医院的推广可行性有待评估。

4 小结

本研究成功构建并应用一套AI深度赋能的IVI护理管理系统，并形成与之相适应的护理路径。实践证明，该模式能显著优化日间手术室的运行效率，缩短患者围手术期等待时间，降低护理不良事件风险，并提升患者与医务人员的双重满意度。本研究将“数据智能分析”与“流程再造”相结合，探索眼科日间手术护理服务向精细化、个性化、智能化方向的发展，具有良好的临床推广应用与技术转化前景。

利益冲突声明：所有作者均声明不存在利益冲突。

[1] 罗曼，陈晓隆. 新生血管性年龄相关性黄斑变性患者玻璃体内注射抗血管内皮生长因子药物治疗进展[J] . 眼科新进展，2020，40（6）：582-586.

[2] Couturier A，Giocanti-Auregan A，Massin P. Treatment switch in diabetic macular edema：literature review and management algorithm [J] . J Fr Ophtalmol，2020，43（8）：710-717.

[3] Kodjikian L，Bellocq D，Bandello F，et al. First-line treatment algorithm and guidelines in center-involving diabetic macular edema [J] . Eur J Ophthalmol，2019，29（6）：573-584.

[4] Grzybowski A，Told R，Sacu S，et al. 2018 update on intravitreal injections：euretina expert consensus recommendations [J] . Ophthalmologica，2018，239（4）：181-193.

[5] 中国医药教育协会眼科委员会，解放军医学科学技术委员会眼科学分会，中国老年医学学会眼科分会. 中国眼科日间手术管理专家共识（2021年）[J] . 中华眼科杂志，2021，57（6）：406-414.

[6] 王平，于飞飞，于丽. 我国眼科日间手术护理服务模式的现状及研究进展[J] . 国际护理学杂志，2020，39（22）：4214-4218.

[7] 陈冬翠，姚娜，郭文军，等. 眼科手术室日间手术管理模式的探索[J] . 国际医药卫生导报，2020，26（16）：2474-2476.

[8] 任宝珠，张文光. 眼科日间手术中心护理安全管理评价指标体系的初步构建[J] . 护理研究，2019，33（16）：2849-2853.

[9] 解放军医学科学技术委员会眼科学分会. 我国眼科日间手术流程专家共识（2018年）[J] . 中华眼科杂志，2018，54（12）：883-886.

[10] 刘羡，曹娟，孙蓓，等. 麻醉分级在围术期死亡风险评估中的作用：214例围术期死亡患者的回顾性分析[J] .麻醉安全与质控，2024，6（6）：327-330.

[11] Kehlet H，Wilmore D W. Fast-track surgery：enhanced recovery after surgery （ERAS）[M] . Berlin：Springer，2008.

[12] Lemos P，Jarrett P. Day case surgery：principles and practice [M] . 2nd ed. Boca Raton：CRC Press，2019.

[13] Ramputi L. The role of the nurse in office-based ambulatory surgery [J] . Aesthet Surg J，2001，21（2）：189-190.

[14] Fernández Castillo G，Khalid M，Salas E. Beyond communication：an update on transforming healthcare teams [J] .Front Med，2024，11：1282173.

[15] Otts J A，Pittman J，Riley B，et al. Academic-practice partnership to prevent and manage pressure injuries：an evidence-based quality improvement initiative [J] . J Wound Ostomy Continence Nurs，2023，50（6）：463-473.

【作者机构】	¹贵州医科大学附属医院手术室； ²贵州医科大学附属医院眼科
【分类号】	R47
【基金】	国家自然科学基金资助项目(82260204) 贵州医科大学附属医院护理科研基金项目(gyfyhl-2022-B13)

人工智能深度赋能的玻璃体腔药物注射术护理系统的构建及其应用评价

目录

文内图表