护理研究

组别	例数	年龄（岁）	APACHEⅡ评分（分）		性别（例）			基础疾病（例）
观察组	60	57.9±12.0	18.9±3.6	37	23	21	18	21
对照组	60	58.5±12.4	19.3±3.8	39	21	23	17	20
统计值		t=-0.253	t=-0.572	χ²=0.137		χ²=0.326
P		0.801	0.568	0.711		0.955

组别	例数	年龄（岁）	APACHEⅡ评分（分）		性别（例）			基础疾病（例）
观察组	60	57.9±12.0	18.9±3.6	37	23	21	18	21
对照组	60	58.5±12.4	19.3±3.8	39	21	23	17	20
统计值		t=-0.253	t=-0.572	χ²=0.137		χ²=0.326
P		0.801	0.568	0.711		0.955

分级	MRC 评分	干预措施	核心监测与驱动指标	模型更新与输出
Ⅰ级	≤24分	肠内营养泵控输注（初始速率20 mL/h）+智能振动排痰（频率20~35 Hz自适应）	肌力衰减速率实时预测，痰液黏度动态评估，肠内营养耐受性仿真分析	2 h评估1次，自动推送营养速率、排痰参数调整建议
Ⅱ级	25~35分	动态营养支持（根据代谢模型调整）+体位智能调节（俯卧位时长算法优化）+穴位按摩	氧合指数（PaO₂/FiO₂）变化趋势预测，体位耐受度评估，组织灌注仿真分析	2 h评估1次，自动推送体位管理、营养优化建议
Ⅲ级	36~47分	个性化口服营养补充、增强现实(AR)引导呼吸训练（沉浸式指导）	呼吸肌疲劳指数监测，呼吸训练依从性分析，呼吸力学虚拟仿真模拟	2 h评估1次，自动推送呼吸训练强度、营养补充建议
Ⅳ级	≥48分	渐进式抗阻训练（基于肌力模型）、高蛋白饮食（人工智能动态计算热量需求）	肌肉合成率动态预测，运动风险预警（如平均动脉压、心率变异性），能量代谢模型实时测算	2 h评估1次，自动推送抗阻训练方案、营养计划调整及风险提示

分级	MRC 评分	干预措施	核心监测与驱动指标	模型更新与输出
Ⅰ级	≤24分	肠内营养泵控输注（初始速率20 mL/h）+智能振动排痰（频率20~35 Hz自适应）	肌力衰减速率实时预测，痰液黏度动态评估，肠内营养耐受性仿真分析	2 h评估1次，自动推送营养速率、排痰参数调整建议
Ⅱ级	25~35分	动态营养支持（根据代谢模型调整）+体位智能调节（俯卧位时长算法优化）+穴位按摩	氧合指数（PaO₂/FiO₂）变化趋势预测，体位耐受度评估，组织灌注仿真分析	2 h评估1次，自动推送体位管理、营养优化建议
Ⅲ级	36~47分	个性化口服营养补充、增强现实(AR)引导呼吸训练（沉浸式指导）	呼吸肌疲劳指数监测，呼吸训练依从性分析，呼吸力学虚拟仿真模拟	2 h评估1次，自动推送呼吸训练强度、营养补充建议
Ⅳ级	≥48分	渐进式抗阻训练（基于肌力模型）、高蛋白饮食（人工智能动态计算热量需求）	肌肉合成率动态预测，运动风险预警（如平均动脉压、心率变异性），能量代谢模型实时测算	2 h评估1次，自动推送抗阻训练方案、营养计划调整及风险提示

组别	例数	干预前	干预后	差值 (干预后-干预前)
观察组	60	32.5±5.2	51.2±4.0	18.7±2.1
对照组	60	32.8±5.0	44.8±4.3	12.0±1.8
t值		-0.324	8.327	18.756
P		0.747	<0.001	<0.001

组别	例数	干预前	干预后	差值 (干预后-干预前)
观察组	60	32.5±5.2	51.2±4.0	18.7±2.1
对照组	60	32.8±5.0	44.8±4.3	12.0±1.8
t值		-0.324	8.327	18.756
P		0.747	<0.001	<0.001

组别	例数	干预前	干预后	差值 (干预后-干预前)
观察组	60	25.3±8.1	64.7±11.3	39.4±5.2
对照组	60	24.8±7.9	47.9±10.1	23.1±4.1
t值		0.325	8.560	19.400
P		0.746	<0.001	<0.001

组别	例数	干预前	干预后	差值 (干预后-干预前)
观察组	60	25.3±8.1	64.7±11.3	39.4±5.2
对照组	60	24.8±7.9	47.9±10.1	23.1±4.1
t值		0.325	8.560	19.400
P		0.746	<0.001	<0.001

组别	例数	ICU-AW改善
观察组	60	51(85.0)
对照组	60	32(53.3)

组别	例数	ICU-AW改善
观察组	60	51(85.0)
对照组	60	32(53.3)

组别	例数	低血压	非计划性管路滑脱	严重心律失常	合计
观察组	60	2(3.3)	0(0.0)	0(0.0)	2(3.3)
对照组	60	7(11.7)	3(5.0)	0(0.0)	10(16.7)

组别	例数	低血压	非计划性管路滑脱	严重心律失常	合计
观察组	60	2(3.3)	0(0.0)	0(0.0)	2(3.3)
对照组	60	7(11.7)	3(5.0)	0(0.0)	10(16.7)

组别	例数	干预前	干预后	差值 (干预后-干预前)
观察组	60	242.1±28.0	410.0±40.2	167.9±18.6
对照组	60	243.5±28.5	359.0±36.1	115.5±15.3
t值		-0.296	7.529	16.845
P		0.768	<0.001	<0.001

组别	例数	干预前	干预后	差值 (干预后-干预前)
观察组	60	242.1±28.0	410.0±40.2	167.9±18.6
对照组	60	243.5±28.5	359.0±36.1	115.5±15.3
t值		-0.296	7.529	16.845
P		0.768	<0.001	<0.001

组别	例数	干预前	干预后	差值 (干预后-干预前)
观察组	60	28.1±3.5	35.8±4.2	7.7±1.8
对照组	60	28.3±3.7	31.2±3.9	2.9±1.2
t值		-0.299	6.179	17.091
P		0.766	<0.001	<0.001

组别	例数	干预前	干预后	差值 (干预后-干预前)
观察组	60	28.1±3.5	35.8±4.2	7.7±1.8
对照组	60	28.3±3.7	31.2±3.9	2.9±1.2
t值		-0.299	6.179	17.091
P		0.766	<0.001	<0.001

组别	例数	机械通气时间
观察组	60	6.0±1.3
对照组	60	10.0±1.9

组别	例数	机械通气时间
观察组	60	6.0±1.3
对照组	60	10.0±1.9

数字孪生驱动的重症病人早期康复护理方案的构建及应用

曹东 , 吴本鹤 , 单雪芹 , 朱慕云 , 袁良才 , 王亚林 ^*^,^*

护理研究 | 综合研究 2026,40(16): 2877-2882

收起

护理研究 |综合研究 2026 , 40 (16) : 2877 -2882

数字孪生驱动的重症病人早期康复护理方案的构建及应用

全屏

曹东, 吴本鹤, 单雪芹, 朱慕云, 袁良才, 王亚林^*^,^*

作者信息

¹江苏省苏北人民医院，江苏 225001

通讯作者:

王亚林，E-mail：3038290978@qq.com

WANG Yalin， E-mail: 3038290978@qq.com

作者简介:

曹东，主管护师，本科

Construction and application of an early rehabilitation nursing program for critically ill patients driven by digital twin technology

Dong CAO, Benhe WU, Xueqin SHAN, Muyun ZHU, Liangcai YUAN, Yalin WANG

Affiliations

¹Northern Jiangsu People's Hospital， Jiangsu 225001 China

出版时间: 2026-08-25 doi: 10.12102/j.issn.1009-6493.2026.16.016

文章导航

摘要

收起

目的

构建整合数字孪生技术与多维度评估的重症病人早期康复护理方案，验证其对改善肌力及ICU获得性衰弱（ICU-AW）的临床价值。

方法

采用改良德尔菲法构建数字孪生驱动的重症早期康复护理方案，建立以英国医学研究委员会肌力评定法（MRC）评分为核心的4级智能康复方案。选取2024年1月—2025年3月我院急诊重症监护病房（EICU）病人120例，随机分为观察组与对照组各60例。对照组病人接受基于常规护理流程的分级康复方案，观察组病人接受数字孪生驱动的重症早期康复护理方案。比较两组MRC评分、Barthel指数、ICU-AW改善率、机械通气时间、氧合指数、不良事件发生率、血清白蛋白水平等指标。

结果

干预后观察组MRC评分、Barthel指数、ICU-AW改善率、氧合指数、血清白蛋白优于对照组，机械通气时间短于对照组，不良事件发生率低于对照组（均P<0.05）。

结论

构建的数字孪生驱动的重症病人早期康复护理方案可以实现动态精准干预与智能预警，改善病人肌力，降低ICU-AW发生风险，为重症康复提供智能化的解决方案。

关键词

ICU获得性衰弱 / 数字孪生 / 重症康复 / 智能预警 / 护理

Abstract

收起

Objective

To construct an early rehabilitation nursing program for critically ill patients driven by digital twin technology and multi-dimensional assessment,and to verify its clinical value in improving muscle strength and ICU-acquired weakness(ICU-AW).

Methods

Early rehabilitation nursing program for critically ill patients driven by digital twin technology was developed using the modified Delphi method,establishing a 4-level intelligent rehabilitation plan centered on real-time Medical Research Council(MRC) muscle strength assessment scores.A total of 120 patients admitted to the emergency intensive care unit(EICU) of our hospital from January 2024 to March 2025 were randomly divided into an observation group and a control group,60 cases each.Patients in the control group received a graded rehabilitation plan based on the conventional care process,while those in the observation group received the early rehabilitation nursing program for critically ill patients driven by digital twin technology.The MRC score,Barthel Index,improvement rate of ICU-AW,mechanical ventilation time,oxygenation index,adverse event rate,and serum albumin level were compared between two groups.

Results

After the intervention,the MRC score,Barthel Index,improvement rate of ICU-AW,oxygenation index,and serum albumin level in the observation group were better than those in the control group.The mechanical ventilation time was shorter.The adverse event rate was lower(all P<0.05).

Conclusions

The constructed early rehabilitation nursing program for critically ill patients driven by digital twin technology could achieve dynamic and precise intervention as well as intelligent early warning,improve the patient's muscle strength,reduce the risk of ICU-AW,and provide an intelligent solution for critically ill patients' rehabilitation.

Key words

ICU-acquired weakness / digital twin / critical care rehabilitation / intelligent early warning / nursing

引用本文

曹东, 吴本鹤, 单雪芹, 朱慕云, 袁良才, 王亚林. 数字孪生驱动的重症病人早期康复护理方案的构建及应用. 护理研究, 2026 , 40 (16) : 2877 -2882 . DOI: 10.12102/j.issn.1009-6493.2026.16.016

Dong CAO, Benhe WU, Xueqin SHAN, Muyun ZHU, Liangcai YUAN, Yalin WANG. Construction and application of an early rehabilitation nursing program for critically ill patients driven by digital twin technology[J]. Chinese Nursing Research, 2026 , 40 (16) : 2877 -2882 . DOI: 10.12102/j.issn.1009-6493.2026.16.016

正文

收起

ICU获得性衰弱（ICU-AW）是重症病人常见的并发症，严重影响病人预后，其高发生率及导致的机械通气时间延长、住院日增加等问题，已成为重症护理领域的核心挑战之一^[1]。早期康复是预防ICU-AW的关键策略，但传统康复护理模式存在三大问题：1)评估滞后性，依赖每日1次人工肌力评分，难以实时捕捉感染性休克等急性状态下肌力的动态变化，存在评估时间盲区^[2-3]；2）干预同质化，基于静态评估制定的方案缺乏对病人实时状态的响应，导致约37.3%的病人仍发展为ICU-AW，机械通气时间延长达40%^[3]；3）安全预警不足，依赖护士经验判断风险，难以实现不良事件的主动预防^[4]。现有信息技术（如电子病历系统）主要用于记录和回顾数据，缺乏动态仿真与预测预警能力，无法从根本上解决上述护理问题。在此背景下，数字孪生技术通过构建物理实体（病人）的虚拟镜像，并实现两者间实时数据同步与交互，为突破传统康复方案瓶颈提供了新思路^[4]。该技术核心在于实时映射、动态仿真与预测优化^[4]，其应用已在心脏术后康复等领域展现优势。研究表明，通过动态模拟生理变化可显著降低不良事件率^[5]。然而，在重症康复领域，现有研究普遍存在重数据采集轻模型构建、重单一干预轻动态调整、重技术展示轻临床落地的问题^[2,6]，使数字孪生技术所具备的“通过‘虚拟病人’实现持续评估、个性化干预和主动预警”这一核心潜力未能有效转化为解决上述三大护理问题的临床价值。本研究构建融合数字孪生技术的重症病人早期分级康复护理方案，将数字孪生核心技术理念融入护理工作流程，通过实时采集多维数据构建精准反映病人实时状态的“虚拟孪生体”，其核心优势在于利用预测性功能实现安全风险智能预警与个性化干预动态调整。与传统方案相比，融合数字孪生技术的重症病人早期分级康复护理方案得以解决现有护理问题：1）评估维度升级，从“点式抽样”跃升为“连续监测”；2）干预策略转型，从“经验驱动”转变为“数据驱动”；3）安全管理进化，从“被动应对”转向“主动预警”^[7]。本研究旨在验证数字孪生驱动的重症早期康复护理方案在改善病人肌力、降低ICU-AW风险等方面的临床价值，为重症康复提供兼具创新性与实用性的智能化解决方案，积极响应《全国护理事业发展规划（2021—2025年）》^[8]中推进护理信息化建设的要求。

1　对象与方法

收起

1.1　研究对象

采用单中心随机对照设计，样本量估算基于主要结局指标为英国医学研究理事会肌力评定法（MRC）评分，采用两独立样本均数比较的公式^[9]：n=2（Z_1-_α_/2+Z_1-_β）²σ²/δ²，其中，设定α=0.05(双侧)，Z_1-_α_/2=1.96，检验效能1-β=0.80，Z_1-_β=0.84。预期具有临床意义的组间均数差值δ设定为6.4分。该值参考MRC总分60分量表的最小临床意义差值（MCID，通常为总分的10%左右）^[10]及同类ICU康复干预研究中MRC评分的改善效应量^[11]。对于合并标准差σ,预试验估算值为4.5分，但为保障检验效能并参考同类研究中MRC评分的变异范围，如Hodgson等^[12]多中心研究中ICU出院时MRC总分标准差为10.8~13.2分，国内冯会颖等^[13]研究中ICU-AW病人MRC评分为（33±11）分，经课题组讨论，本研究保守地将σ设定为10.5分。代入公式计算得出每组最少需要43例。在此基础上考虑约20%的脱落率，最终将每组样本量确定为60例，总样本量为120例。选取2024年1月—2025年3月我院急诊重症监护病房（EICU）病人120例。纳入标准：年龄≥18岁；ICU停留≥72 h；意识清楚；MRC评分≤48分；生命体征相对稳定；预计机械通气时间≥48 h。排除标准：活动性出血；严重神经系统疾病（如脑出血量>30 mL）；终末期肿瘤（预计生存期<3个月）；四肢骨折未固定；家属拒绝参与。本研究经医院伦理委员会批准（编号：2025k318)，所有病人或家属均签署知情同意书。采用计算机生成随机序列，分配隐藏通过密封不透光信封实现。将符合标准的120例病人按1∶1比例随机分为观察组与对照组各60例。两组病人年龄、性别、入组时急性生理与慢性健康评分（APACHEⅡ）、基础疾病分布等基线资料比较，差异均无统计学意义（P>0.05），具有可比性，见表1。

1.2　干预方法

1.2.1　对照组

对照组病人接受基于常规护理流程的分级康复方案。1）评估：由经过统一培训的责任护士于每日08:00进行1次MRC评分及常规生命体征测量。2）决策：每日上午医生查房时，依据此次评估结果并结合临床经验，确定或调整当日的康复等级与干预措施。3）执行：护士严格执行医生开具的康复医嘱。病人接受相同的常规重症监护与基础护理。

1.2.2　观察组

1.2.2.1　构建数字孪生驱动的重症早期康复护理方案

采用改良德尔菲法构建数字孪生驱动的重症早期康复护理方案。1）专家遴选。专家纳入标准：从事重症医学、康复医学、临床护理、营养学或信息技术领域，工作时间≥10年；中级及以上职称；自愿参与本研究。排除标准：问卷回复不完整者；研究期间因故无法继续参与者。最终遴选25名专家，包括重症医学（6人）、康复医学（5人）、临床护理（5人）、营养学（3人）、信息技术（6人）领域，其中副高级及以上职称22人（88%），专家权威系数（Cr）为0.90。2）函询过程。通过电子邮件进行了3轮函询，回收率均为100%。第1轮邀请专家对初步拟定的方案框架、指标及阈值提出修改意见；第2轮基于第1轮结果修订后再次征询；第3轮对剩余争议点进行最终确认。专家就核心争议点达成共识（同意率≥80%），基于改良德尔菲法共识，确立以实时MRC评分为核心的动态分级体系，通过数字孪生模型，整合床旁监护设备（心电监护仪、呼吸机等）、手持式测力仪及护理评估数据，实现16项指标实时同步（延迟<10 s），实时感知病人状态。系统据此进行自动分级，并生成个性化干预建议，最终形成4级康复干预方案（见表2）。该模型通过动态仿真实现两个关键功能：2 h自动更新1次病人康复分级；实时生成个性化干预建议。

1.2.2.2　实施流程

1)数字孪生模型构建与算法核心：数字孪生模型基于云原生架构自主开发平台构建。模型核心算法包括：数据整合与特征工程，实时接入16项多维数据流（肌力、呼吸功能、循环功能、代谢营养等），进行数据清洗、归一化及特征提取；状态评估与分级算法，采用基于规则的逻辑回归模型，以实时MRC评分为主要驱动变量，结合其他生理参数趋势，2 h计算1次病人状态评分，并映射至Ⅰ~Ⅳ级康复等级；预测与预警算法，采用机器学习算法（以XGBoost为主）构建ICU-AW风险预测模型，输入特征包括实时MRC评分变化趋势、平均动脉压波动、心率变异性、血清白蛋白水平等。模型训练使用历史EICU病人数据。预警模块则基于逻辑回归模型，实时计算12项安全风险参数综合风险概率，当运动低血压等特定风险概率>15%（专家共识阈值）时触发报警。模型通过5G边缘计算保障数据延迟<10 s，实现“虚拟孪生体”与真实病人的近实时同步。2）数字孪生建模与初始化：病人入组EICU后24 h内完成全面基线评估（包括MRC评分、营养指标、呼吸功能、基础疾病等）。通过物联网（IoT）技术对接床旁监护设备（心电监护仪、呼吸机、输液泵等）及护士录入的评估数据，在数字孪生平台构建病人的“虚拟孪生体”，实现16项核心指标（含肌力、代谢营养、呼吸功能、循环功能等维度）实时同步更新。3）技术保障：采用云原生架构自主开发平台（整合IoT设备接口与实时流分析引擎），通过5G边缘计算保障数据延迟<10 s；数字孪生模型实时同步16项核心指标，包括肌力功能（MRC评分、握力）、呼吸功能（氧合指数、呼吸频率、分钟通气量）、循环功能（平均动脉压、心率、心率变异性）、代谢营养（血糖、血清白蛋白、前白蛋白、氮平衡）、其他参数（核心体温、疼痛评分、镇静评分、24 h体液平衡）。4）实时监测与动态分级：系统持续接收实时数据流（5 min更新1次），数字孪生模型2 h自动进行1次状态评估，输出当前康复分级及对应的个性化干预建议清单。5）多学科协作与方案执行：每日09:00，由重症医生、康复治疗师、专科护士、营养师组成的团队通过数字孪生平台进行联合查房。团队共同审阅模型生成的干预建议清单、病人实时状态及历史趋势，结合临床经验进行讨论与微调，最终确定并执行当日精准化康复方案。护士负责具体措施的落实与记录。6）智能安全管控：数字孪生模型整合12项安全风险参数，包括实时平均动脉压、心率、血氧饱和度、呼吸频率、体温、疼痛评分、管路情况、心率变异性、潮气量、镇静评估、血糖、体位耐受度。系统内置风险预测算法，实时计算不良事件发生概率。当系统预测风险（如运动低血压）概率>15%时，自动触发声光报警并推送紧急处理建议，护士须立即响应处理。

1.3　评价指标

1.3.1　主要结局指标

1.3.1.1　MRC评分

MRC评分总分为0~60分，评分<48分即可诊断为ICU-AW^[14]。由经过统一培训的2名康复治疗师（ICC=0.93）在干预前（入组24 h内）、干预后（转出EICU）评估，评估者对分组设盲。

1.3.1.2　日常生活自理能力

采用Barthel指数评估日常生活自理能力，总分为0~100分，得分越高,病人自理能力越强。由经过统一培训的研究护士在干预前（入组24 h内）和干预后（转出EICU）评估，评估者对分组设盲。

1.3.1.3　ICU-AW改善率

转出EICU或试验结束时MRC评分较入组时增加≥10分的病人比例。

1.3.2　次要结局指标

1）不良事件发生率：包括干预过程中发生的低血压（平均动脉压<65 mmHg或较基线下降>20%）、非计划性管路滑脱、严重心律失常等；2）干预前后氧合指数、血清白蛋白水平；3）机械通气时间。

1.4　统计学方法

采用SPSS 26.0软件进行统计分析。经Shapiro-Wilk检验证实，定量资料均符合正态分布，以均数±标准差(x±s)表示，采用独立样本t检验。定性资料以频数、百分比（%）表示，采用χ²检验。为更准确地评估干预效果的组间差异，对所有定量结局指标的差值（干预后-干预前）进行计算，并采用独立样本t检验进行组间比较。采用受试者工作特征（ROC）曲线评估数字孪生模型与APACHEⅡ评分对ICU-AW的预测效能，计算ROC曲线下面积（AUC）及其95%置信区间（CI）。2种模型AUC比较采用DeLong检验。以P<0.05为差异有统计学意义。

2　结果

收起

2.1　两组病人主要结局指标比较（见表3~表5）

2.2　两组病人次要结局指标比较（见表6~表9）

2.3　数字孪生模型效能

为评估数字孪生模型在临床护理预警中的价值，采用ROC曲线分析数字孪生模型与APACHEⅡ评分对ICU-AW的预测效能。数字孪生模型预测准确率为89.5%，AUC值为0.895（0.854，0.935），传统APACHEⅡ评分的AUC值为0.735（0.669，0.802），DeLong检验显示两个模型效能比较，Z=4.32，P<0.001，表明该模型能有效识别高风险病人，为早期干预提供精准依据，见图1。

3　讨论

收起

本研究聚焦于解决传统重症早期康复护理中存在的评估滞后、干预同质化及安全预警不足三大核心问题。通过构建并验证数字孪生驱动的分级康复体系，结果表明该体系能显著改善病人肌力、生活自理能力，提升ICU-AW改善率，缩短机械通气时间，降低不良事件发生率。

3.1　数字孪生实现动态精准评估，克服传统评估滞后性

本研究结果显示，干预后观察组MRC评分提升幅度显著优于对照组（P<0.05）。传统肌力评估依赖每日1次人工操作，存在明显的评估时间盲区，难以实时反映病情波动下的肌力变化^[2]。本体系通过数字孪生技术，5 min采集1次16项多维数据，2 h自动更新1次模型与康复分级，实现了对病人肌力等关键指标的连续、动态监测。这种连续监测模式取代了传统的点式抽样，确保了康复方案始终基于病人的最新状态。与赵雪芹等^[2]研究中指出的评估滞后问题相比，本体系的动态评估模式体现了数字孪生在消除评估盲区、实现精准护理评估方面的独特优势。

3.2　数据驱动个性化干预优化康复效果与安全性

本研究结果显示，干预后观察组氧合指数改善更显著、不良事件发生率更低。基于虚拟孪生体的仿真与预测功能，本体系实现了从经验驱动到数据驱动的干预策略转型。系统能够根据实时数据动态调整干预参数，如Ⅰ级病人的振动排痰频率根据痰液黏度自适应优化，Ⅳ级病人的抗阻训练强度依据肌肉合成率预测模型进行调整。这种高度个性化的干预策略，不仅更契合病人的实时需求，也避免了过度或不足康复带来的风险。基于数字孪生的个性化干预策略在优化呼吸管理与保障安全方面具有优势；其作用机制与既往研究中报道的通过精准参数调整以提升分泌物清除效率^[15-16]及通过实时预警以规避临床风险^[5,7]的原理相契合。与Drummond等^[17]对临床数字孪生的综述结论相比，本体系通过数字孪生的动态仿真与预测能力，将个性化干预提升至一个新的水平。

3.3　智能预警重构安全管理模式，保障病人安全

本体系整合12项风险参数构建预测算法，实现了安全管理的进化，从被动应对转向主动预警。当系统预测到运动低血压等风险概率>15%时，能实时触发报警并推送处理建议，使护士能够提前干预，有效规避了不良事件的发生。这与易慧琳等^[7]将预警理念融入过程质量控制的研究结论一致，但本体系通过数字孪生技术实现了预警的自动化和实时化，进一步提升了护理安全管理的效能。

3.4　改善营养与呼吸功能，协同促进肌力恢复

早期、精准的肠内营养支持已被证实是改善危重症病人康复结局的关键因素^[18]。数字孪生模型通过实时监测代谢指标（如血糖、氮平衡），动态调整肠内营养速率及蛋白质供给，实现了精准的营养支持。本研究结果显示，干预后观察组血清白蛋白提升幅度高于对照组（P<0.05），证实了充足的蛋白质储备是肌力恢复的重要物质基础^[19]。同时，智能振动排痰与AR引导呼吸训练的协同应用，有效改善了呼吸道管理，增强了呼吸肌功能^[20-22]，共同促进了氧合指数的提升。这表明本体系通过多靶点干预，形成了营养-肌力-呼吸功能的良性循环。

3.5　优化工作流程，提升护理效率与多学科协作

数字孪生体系通过实时评估-自动分级-智能预警-多学科协同的闭环管理，重构了重症康复的工作流程。基于平台的制度化联合查房，确保了多学科团队能够基于统一的、实时的病人全景信息进行决策，克服了传统模式下的信息碎片化和沟通滞后问题^[23]。这不仅提升了康复决策的效率和精准性，也将护士从烦琐的数据整理和重复评估中解放出来，使其能更专注于高价值的护理执行与病人互动，为缓解ICU人力资源压力提供了新思路。

4　局限性与展望

收起

本研究为单中心研究，样本量较小，可能限制结果外推性，未来需开展多中心、大样本研究验证体系的普适性。技术应用局限与优化方向：1)成本问题，当前硬件和平台成本较高，应开发轻量化移动端应用结合云平台，提升基层医院可及性^[17]；2)预警阈值校准需求，当前安全阈值基于专家共识，未来需通过大样本数据动态校准；3)数据维度扩展空间，未来可整合表面肌电图(sEMG)、脑电图（EEG）等神经肌肉功能深度指标，以提升预测精度；4)数据安全，需结合区块链技术强化隐私保护，以符合国际数据安全法规的要求^[24]。建议医院试点建立数字孪生康复培训中心，通过标准化课程与简化界面降低推广门槛。值得注意的是，数字孪生模型在临床决策支持之外，在医护培训领域同样潜力巨大。可以借鉴Rovati等^[25]专为重症医学教育开发的数字孪生及其可用性成果，本体系未来可拓展为模拟培训平台，助力提升ICU团队的整体康复护理能力。

5　小结

收起

本研究构建的数字孪生分级康复体系通过实时数据驱动的虚拟孪生体实现了重症病人康复评估的动态化、干预的个性化及安全管理的主动预警。该体系能提升重症病人的肌力恢复水平、呼吸功能及日常生活能力，有效提高ICU-AW改善率，缩短机械通气时间，并减少康复干预相关不良事件，数字孪生模型展现出对ICU-AW的优异预测能力。

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

Tipping

C J

,Harrold

,Holland

,et al.The effects of active mobilisation and rehabilitation in ICU on mortality and function:a systematic review[J].Intensive Care Medicine,2017,43(2):171-183.

赵雪芹,王宇霞,陈兴,等.护士主导的重症早期分级康复护理方案的构建[J].护理研究,2024,38(8):1433-1439.

韩汝宁,李秀川,赵士兵,等.ICU患者早期康复方案的构建及应用研究[J].中华护理杂志,2020,55(1):8-15.

俞申婧,王毅欣,刘畅,等.数字孪生技术在护理领域中的应用进展[J].军事护理,2025,42(6):74-78.

叶玲燕,陈圆圆,金丽红,等.云平台联合早期康复训练在经皮冠状动脉介入治疗术后运动康复高危患者中的应用[J].中华护理杂志,2022,57(23):2851-2856.

李秀萍,郑湘毅.背心式高频振动排痰与机械振动排痰对老年肺部感染患者的效果观察[J].中国呼吸与危重监护杂志,2017,16(3):241-244.

易慧琳,伍丽婵,毕赐成,等.预警理念融入过程质量控制模式对连续性血液净化患者不良事件发生率及预后的影响[J].护理实践与研究,2021,18(5):711-714.

国家卫生健康委员会.全国护理事业发展规划(2021—2025年)[J].中国护理管理,2022,22(6):801-804.

万霞,李赞华,刘建平.临床研究中的样本量估算:(1)临床试验[J].中医杂志,2007,48(6):504-507.

杨丽虹,刘少南,吴大嵘,等.最小临床意义差值的概念及其估算方法[J].中国循证医学杂志,2020,20(11):1345-1352.

Fossat

,Baudin

,Courtes

,et al.Effect of in-bed leg cycling and electrical stimulation of the quadriceps on global muscle strength in critically ill adults:a randomized clinical trial[J].JAMA,2018,320(4):368-378.

Hodgson

,Bellomo

,Berney

,et al.Early mobilization and recovery in mechanically ventilated patients in the ICU:a binational,multicentre,prospective cohort study[J].Critical Care,2015,19(1):81.

冯会颖,詹庆元,黄絮,等.重症监护病房患者获得性肌无力的危险因素及诊断方法[J].中华危重病急救医学,2021,33(4):460-465.

李若祎,何怀武,孙建华,等.早期床旁超声测量重症患者股四头肌变化对重症监护病房获得性衰弱的诊断价值[J].中华医学杂志,2020,100(25):1967-1972.

费丽燕,夏丽丽.振动排痰仪对肺部感染合并呼吸衰竭患者的疗效观察[J].天津医药,2012,40(2):167-168.

杨俊,谭蕾,李娜.体外振动排痰仪辅助急性加重期COPD患者排痰单次使用时间探讨[J].护理学杂志,2015,30(7):51-52.

Drummond

,Gonsard

.Definitions and characteristics of patient digital twins being developed for clinical use:scoping review[J].Journal of Medical Internet Research,2024,26:e58504.

邱双双,王燕华,洪巧红,等.早期肠内营养对复杂性腹腔感染病人肠功能的影响[J].肠外与肠内营养,2025,32(2):95-100.

顾一帆,吴茜,汪夏云,等.早期床上抗阻运动对胃肠道肿瘤患者术后康复护理的影响[J].中华护理杂志,2023,58(12):1462-1468.

Dres

,Goligher

E C

,Heunks

L M A

,et al.Critical illness-associated diaphragm weakness[J].Intensive Care Medicine,2017,43(10):1441-1452.

郝艳艳,许丽,李倩倩,等.多学科协作下的时机性康复训练在老年股骨转子间骨折患者髓内针内固定术后的应用价值[J].中国老年学杂志,2025,45(4):837-841.

朱利琴,曹瑾,费红,等.早期康复护理在EICU呼吸衰竭机械通气患者中的应用价值[J].中国防痨杂志,2024,46(S2):471-473.

Needham

D M

,Davidson

,Cohen

,et al.Improving long-term outcomes after discharge from intensive care unit:report from a stakeholders' conference[J].Critical Care Medicine,2012,40(2):502-509.

陈利,杨又.区块链技术在临床护理中的应用进展[J].中华护理杂志,2024,59(2):250-256.

Rovati

,Gary

P J

,Cubro

,et al.Development and usability testing of a patient digital twin for critical care education:a mixed methods study[J].Frontiers in Medicine,2023,10:1336897.

2026年第40卷第16期

引用本文

BibTeX

文章信息

doi: 10.12102/j.issn.1009-6493.2026.16.016

接收时间：2025-08-20
首发时间：2026-10-30
出版时间：2026-08-25

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2025-08-20
修回日期：2026-07-25

基金

作者信息

¹江苏省苏北人民医院，江苏 225001

通讯作者:

王亚林，E-mail：3038290978@qq.com

WANG Yalin， E-mail: 3038290978@qq.com

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/hlyj/CN/10.12102/j.issn.1009-6493.2026.16.016

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT

组别	例数	年龄（岁）	APACHEⅡ评分（分）		性别（例）			基础疾病（例）
观察组	60	57.9±12.0	18.9±3.6	37	23	21	18	21
对照组	60	58.5±12.4	19.3±3.8	39	21	23	17	20
统计值		t=-0.253	t=-0.572	χ²=0.137		χ²=0.326
P		0.801	0.568	0.711		0.955

组别

例数

年龄（岁）

APACHEⅡ评分（分）

性别（例）

基础疾病（例）

男

女

呼吸系统疾病

心血管系统疾病

其他

观察组

57.9±12.0

18.9±3.6

对照组

58.5±12.4

19.3±3.8

统计值

t=-0.253

t=-0.572

χ²=0.137

χ²=0.326

0.801

0.568

0.711

0.955

分级	MRC 评分	干预措施	核心监测与驱动指标	模型更新与输出
Ⅰ级	≤24分	肠内营养泵控输注（初始速率20 mL/h）+智能振动排痰（频率20~35 Hz自适应）	肌力衰减速率实时预测，痰液黏度动态评估，肠内营养耐受性仿真分析	2 h评估1次，自动推送营养速率、排痰参数调整建议
Ⅱ级	25~35分	动态营养支持（根据代谢模型调整）+体位智能调节（俯卧位时长算法优化）+穴位按摩	氧合指数（PaO₂/FiO₂）变化趋势预测，体位耐受度评估，组织灌注仿真分析	2 h评估1次，自动推送体位管理、营养优化建议
Ⅲ级	36~47分	个性化口服营养补充、增强现实(AR)引导呼吸训练（沉浸式指导）	呼吸肌疲劳指数监测，呼吸训练依从性分析，呼吸力学虚拟仿真模拟	2 h评估1次，自动推送呼吸训练强度、营养补充建议
Ⅳ级	≥48分	渐进式抗阻训练（基于肌力模型）、高蛋白饮食（人工智能动态计算热量需求）	肌肉合成率动态预测，运动风险预警（如平均动脉压、心率变异性），能量代谢模型实时测算	2 h评估1次，自动推送抗阻训练方案、营养计划调整及风险提示

分级

MRC
评分

干预措施

核心监测与驱动指标

模型更新与输出

Ⅰ级

≤24分

肠内营养泵控输注（初始速率20 mL/h）+智能振动排痰（频率20~35 Hz自适应）

肌力衰减速率实时预测，痰液黏度动态评估，肠内营养耐受性仿真分析

2 h评估1次，自动推送营养速率、排痰参数调整建议

Ⅱ级

25~35分

动态营养支持（根据代谢模型调整）+体位智能调节（俯卧位时长算法优化）+穴位按摩

氧合指数（PaO₂/FiO₂）变化趋势预测，体位耐受度评估，组织灌注仿真分析

2 h评估1次，自动推送体位管理、营养优化建议

Ⅲ级

36~47分

个性化口服营养补充、增强现实(AR)引导呼吸训练（沉浸式指导）

呼吸肌疲劳指数监测，呼吸训练依从性分析，呼吸力学虚拟仿真模拟

2 h评估1次，自动推送呼吸训练强度、营养补充建议

Ⅳ级

≥48分

渐进式抗阻训练（基于肌力模型）、高蛋白饮食（人工智能动态计算热量需求）

肌肉合成率动态预测，运动风险预警（如平均动脉压、心率变异性），能量代谢模型实时测算

2 h评估1次，自动推送抗阻训练方案、营养计划调整及风险提示

组别	例数	干预前	干预后	差值 (干预后-干预前)
观察组	60	32.5±5.2	51.2±4.0	18.7±2.1
对照组	60	32.8±5.0	44.8±4.3	12.0±1.8
t值		-0.324	8.327	18.756
P		0.747	<0.001	<0.001

组别

例数

干预前

干预后

差值
(干预后-干预前)

观察组

32.5±5.2

51.2±4.0

18.7±2.1

对照组

32.8±5.0

44.8±4.3

12.0±1.8

t值

-0.324

8.327

18.756

0.747

<0.001

组别	例数	干预前	干预后	差值 (干预后-干预前)
观察组	60	25.3±8.1	64.7±11.3	39.4±5.2
对照组	60	24.8±7.9	47.9±10.1	23.1±4.1
t值		0.325	8.560	19.400
P		0.746	<0.001	<0.001

组别

例数

干预前

干预后

差值
(干预后-干预前)

观察组

25.3±8.1

64.7±11.3

39.4±5.2

对照组

24.8±7.9

47.9±10.1

23.1±4.1

t值

0.325

8.560

19.400

0.746

<0.001

组别	例数	ICU-AW改善
观察组	60	51(85.0)
对照组	60	32(53.3)

组别

例数

ICU-AW改善

观察组

51(85.0)

对照组

32(53.3)

组别	例数	低血压	非计划性管路滑脱	严重心律失常	合计
观察组	60	2(3.3)	0(0.0)	0(0.0)	2(3.3)
对照组	60	7(11.7)	3(5.0)	0(0.0)	10(16.7)

组别

例数

低血压

非计划性管路滑脱

严重心律失常

合计

观察组

2(3.3)

0(0.0)

2(3.3)

对照组

7(11.7)

3(5.0)

0(0.0)

10(16.7)

组别	例数	干预前	干预后	差值 (干预后-干预前)
观察组	60	242.1±28.0	410.0±40.2	167.9±18.6
对照组	60	243.5±28.5	359.0±36.1	115.5±15.3
t值		-0.296	7.529	16.845
P		0.768	<0.001	<0.001

组别

例数

干预前

干预后

差值
(干预后-干预前)

观察组

242.1±28.0

410.0±40.2

167.9±18.6

对照组

243.5±28.5

359.0±36.1

115.5±15.3

t值

-0.296

7.529

16.845

0.768

<0.001

组别	例数	干预前	干预后	差值 (干预后-干预前)
观察组	60	28.1±3.5	35.8±4.2	7.7±1.8
对照组	60	28.3±3.7	31.2±3.9	2.9±1.2
t值		-0.299	6.179	17.091
P		0.766	<0.001	<0.001

组别

例数

干预前

干预后

差值
(干预后-干预前)

观察组

28.1±3.5

35.8±4.2

7.7±1.8

对照组

28.3±3.7

31.2±3.9

2.9±1.2

t值

-0.299

6.179

17.091

0.766

<0.001

组别	例数	机械通气时间
观察组	60	6.0±1.3
对照组	60	10.0±1.9

组别

例数

机械通气时间

观察组

6.0±1.3

对照组

10.0±1.9