护理院呼叫推荐解释：以用户为中心的设计方法与知识型健康决策支持系统交互

文献标题

Explaining Call Recommendations in Nursing Homes: A User-Centered Design Approach for Interacting with Knowledge-Based Health Decision Support Systems

文献信息

• 主题领域: 医疗推荐系统，用户中心化设计，高风险场景中的交互设计
• 关键词: 健康推荐系统，决策支持系统，用户中心化设计，交互式推荐系统，优先级推荐，用户反馈，透明性，信任，用户界面

研究背景与问题

• 发现的问题或挑战:

  1. 健康推荐系统处于初步发展阶段，其信任度和可靠性仍需提高。
  2. 护理院的呼叫系统缺乏优先级推荐、透明性以及用户反馈特性，这可能导致响应时间延长、护理过程满意度降低。
  3. 推荐系统面临的常见问题包括数据稀疏性、冷启动问题和“黑箱”现象。

• 为什么重要:

  1. 呼叫系统是护理院居民与护理人员之间的关键沟通工具，影响居民的安全和关爱。
  2. 快速响应和优先级的明确界定对提高护理效率和居民满意度极为重要。

• 研究动机与相关工作:

  1. 文献综述表明，推荐系统在高风险场景中需要考虑用户互动、透明性及用户控制性。
  2. 现有的医疗决策支持系统多数基于规则或机器学习，但与用户交互方式的研究有限。

解决方案

• 提出的方法或解决方案: 作者提出了一种结合用户中心化设计流程和健康决策支持系统的移动应用，从居民和护理人员的需求出发，设计并迭代优化用户界面，用以支持护理院的呼叫推荐及其解释。

• 该解决方案的创新之处:

  1. 首次将用户中心化设计方法应用于护理院的呼叫优先级推荐系统。
  2. 通过用户反馈和历史数据结合，采用了混合推荐方法（基于规则和机器学习）。
  3. 探索了增强透明性和用户信任的可解释推荐技术。

• 实施步骤与关键技术:

  1. 探索性定性用户研究: 与护理人员及居民进行观察和半结构化访谈，了解现有呼叫系统的优劣。
  2. 原型设计与迭代:
     • 低保真原型：设计五种优先级的推荐标签。
     • 高频原型迭代：优化界面透明性，添加历史记录功能和快速反馈机制。
  3. 最终原型开发:
     • 添加挂起列表功能以降低护理人员的工作负荷。
     • 提供具体解释与过去的呼叫记录，以帮助护理人员更全面地了解居民需求。
  4. 推荐引擎:
     • 使用随机森林模型作为机器学习算法，结合传感器数据和用户反馈。
     • 在冷启动阶段，基于规则的引擎提供优先级预测。

研究成果

• 具体成果:

  1. 在护理院成功部署了支持呼叫优先级推荐的健康决策支持系统，运行时间为四个月。
  2. 系统显著提高了护理人员的反馈频率，且反馈过程直观便捷。
  3. 调查显示，参与人员对系统透明性的感知和交互满意度均较高。

• 与现有解决方案相比的优势:

  1. 系统提供了详细且动态的推荐解释信息，显著增进了用户对算法和推荐理由的理解。
  2. 呼叫通知的优先级推荐具有更高的用户可控性和信任水平。
  3. 通过用户反馈改进模型，缓解了冷启动问题。

• 实验或评估结果:

  1. 系统总共处理了2610条居民呼叫记录，其中29.5%的记录有护理人员提供的反馈。
  2. 数据准确性评估显示，系统对优先级的预测表现良好，其最高分类准确率达到71%。

• 局限性与未来方向:

  1. 局限性:
     • 部分传感器数据因条件限制未被全面集成。
     • 用户群体规模较小，结果可能不具有广泛代表性。
     • 系统在中间优先级预测上的表现欠佳，需要进一步优化。
  2. 未来方向:
     • 优化推荐引擎算法，包括特征选择、超参数调整和类别采样。
     • 进一步简化用户界面使其更易于使用。
     • 扩展用户群体以进行更大规模的测试和反馈收集。

总结

本文提出了一种用户中心化设计驱动的呼叫优先级推荐系统解决方案，为提升护理院居民的关怀质量与效率提供了新的研究方向。研究表明，结合透明性、用户控制和动态反馈的交互方式，可以显著优化医疗决策支持系统的用户体验和信任水平。