来源：市场资讯
（来源：中国数字医学）
护理技术操作的规范性与准确性是保障患者生命健康、提升医疗服务质量的核心要素，其考核体系的科学性直接影响护理人员专业能力培养。构建高一致性、高效率的护理技能评估体系是当前护理教育与临床管理的关键需求。当前护理操作考核仍以人工评估为主，存在主观性强、一致性不足、效率低下、反馈滞后等突出问题。人工智能技术为解决上述问题提供了支撑，多模态大模型能整合护理操作多源信息，突破人工评估瓶颈，但实际应用仍有短板：单一模态模型感知维度有限，无法满足综合评价需求；传统规则引擎缺乏动态推理能力，难以适配复杂临床考核场景。智能体技术可对多模态大模型进行结构化组织与协同调度，整合感知、理解、推理能力，弥合感知与推理的逻辑断层，适配临床实际需求。
基于此，本研究以护理操作评估智能体为核心，构建面向临床技能考核的多智能体协同护理操作评估系统（以下简称系统），融合多模态信息并引入核验机制保障可靠性，通过典型护理操作试验验证，探索多模态大模型的智能体应用路径，为护理技能评估智能化、标准化发展提供实践参考。
1
研究现状
（1）传统人工评估模式局限性
传统护理临床教学与技能评估多以教师讲授、示教模仿、人工评分为核心，在临床实践中存在明显局限。当前护理带教仍以灌输式教学为主，知识传递呈单向线性特征，护理专业学生（护生）多处于被动接受状态，难以将理论知识与复杂临床场景有效衔接，学习主动性与临床思维培养不足。随着护理教育规模的扩大，以及患者维权意识的不断增强，护生实践机会越来越少。同时，平时的练习难以模拟真实临床环境中的实操场景，缺乏深度学习互动，进一步制约了技能水平与应急处置能力的提升。
人工评估模式在实施过程中难以对护生操作偏差、思维漏洞及时纠正，难以形成评价、反馈、改进的闭环学习路径。同时，临床工作节奏快、医护人员倒班频繁，统一集中教学与规模化技能考核难以组织，人工评价在时间成本与人力成本上均存在明显瓶颈，难以满足规范化、持续性的护理技能训练需求。此外，人工评估多侧重于操作流程完成度评价，对临床决策、护患沟通、应急反应等高阶能力关注不足，无法全面衡量护生的核心能力与岗位胜任力。
（2）基于人工智能的辅助评估方案
为改善传统护理教学与人工考核评估的不足，现代护理教育正逐步向线上线下混合、情景化、案例化方向发展。相关研究表明，翻转课堂结合CBL（Case-Based Learning，基于案例的学习）、PBL（Problem-Based Learning，基于问题的学习）、工作坊等教学模式可有效提升护生学习兴趣、理论成绩与操作技能水平。基于成果导向教育（Outcome-Based Education, OBE）理念的Jeffries模拟教学、混合式 5MP 教学、PBL + 案例库协同教学等模式，通过构建真实临床场景与实施即时引导性反馈，显著提升了护生核心能力、沟通水平与实习满意度。
但上述教学与评价模式仍依赖人工设计案例、人工组织实施与人工主观评分，未实现评估流程的自动化与智能化，在大规模、常态化技能考核中仍存在效率受限、忽视综合能力培养等问题。人工智能与多模态感知技术的发展为护理技能辅助评估提供了新的解决思路，通过对操作视频、行为姿态、流程时序等多维度信息的自动分析，可实现客观、量化、实时的技能评价，有效弥补人工评估反馈滞后、管理效能不足等缺陷问题。系统可在沉浸式场景下完成自动监测、精准反馈与标准化考核，构建一体化学习闭环，既顺应护理教育数字化转型趋势，又能满足高效、规范、可规模化推广的护理人才培养需求。
2
系统实现
系统以多智能体协同为核心设计理念，采用分层模块化架构，整体划分为算力服务器层、数据处理层、推理判断层、智能体决策层、用户管理层5大层级。系统由全局管控调度智能体作为顶层总控枢纽，统一调度双通路推理智能体、融合决策智能体、资源管理调控智能体3大核心智能体，协同完成多模态感知、数据处理、并行推理、融合决策、结构化输出、核查核验、模型迭代的完整闭环。其中，算力服务器层为3大智能体提供底层分布式算力支撑与全链路安全防护。数据处理层由双通路推理智能体主动调动，完成输入视频的音视频流分离与标准化预处理，为后续推理提供高质量数据。推理判断层由双通路推理智能体自主执行，分别通过视频分析子智能体与语音分析子智能体并行完成视觉动作识别与语音语义解析。智能体决策层由融合决策智能体承接双通路推理结果，根据评分项类型执行差异化融合逻辑并完成量化评分计算。用户管理层由资源管理调控智能体统筹，面向管理人员与考核人员提供差异化的功能入口与权限管控，一方面，为考生生成结构化、可解释的评估报告；另一方面，通过核验机制收集专家修正数据，驱动模型持续迭代优化。最终，通过多智能体的分工协作与顶层总控调度，构建了一套全自动化、可扩展、可迭代的护理操作智能评估体系，为高效、客观、精准的临床护理技能考核与培训提供了技术支撑。
3
系统验证试验与结果分析
以验证多智能体协同护理操作评估系统的实际评估能力为核心，选取临床典型护理操作场景开展试验。结合多场景样本特点，优化评价指标体系，从评估一致性、分类识别准确性、评估效率及临床实用性4个维度验证系统性能，重点解决不同场景下人工智能与人工评分的适配性问题，充分论证智能体的可靠性与应用价值。
本研究构建的多智能体协同护理操作评估系统通过3模块协同实现流程自动化：双通路推理智能体并行解析视觉与语音信息，替代人工逐项观察核对；融合决策智能体自动完成评分计算与结果汇总，无需人工核算；资源管理智能体支持并发处理与实时报告推送，大幅缩短反馈时延。
基于本研究试验条件测算：单份操作视频全流程评估耗时约6 min，较传统人工模式耗时缩短50%以上；评分结果反馈可在30 s内响应，由传统天级反馈提升至秒级反馈；规模化应用下可显著减少现场专家投入频次与人工统计工作量。经试验流程对比测算，护理培训与考核综合人力投入可大幅降低，减少专家的数量，同时实现考核数据100%实时可追溯，便于精准定位薄弱环节并开展个性化培训，具备较高的规模化应用价值。
4
结论
针对传统护理操作考核主观性强、效率低、维度单一的问题，以及现有人工智能方案感知与推理脱节的不足，本研究以3大核心智能体协同为核心，打造了临床技能考核的多智能体协同护理操作评估系统。系统围绕双通路推理智能体、融合决策智能体、资源管理调控智能体构建感知、推理、决策、输出、优化全流程闭环，赋予其多模态信息综合感知、标准化推理决策、结构化报告生成及持续进化的完整能力。
试验验证结果显示，系统在各个护理场景中的整体评估识别准确率达78%，系统评估分数与人工专家评估的ICC值相比表现突出，单份视频评估时间缩短至5 min，效率提升约50%，充分证实了多智能体协同模式在护理技能评估领域的可行性与优越性。
当前系统仍存在部分局限：一是精细操作评估效果欠佳，如消毒范围的要求，第一次消毒范围大于第二次消毒范围等细粒度规范识别精度不足；二是对患者情况检查等依赖临床经验的场景，大模型尚难像资深专家一样完成经验化细节
辨别。
未来将进一步优化双通路推理智能体的细粒度视觉感知与专业语义理解能力，通过领域数据微调大模型提升对消毒范围、患者评估等经验型操作的辨别精度；优化显存调度与模型工具轻量化方案，降低系统部署门槛；拓展融合决策智能体的复杂护理操作场景适配范围，融合更多模态信息以提升系统适用性与精准度，将多智能体协同模式推广至护理质量管理、专科技能培训等更广泛领域，为提升护理服务质量、保障患者安全提供更有力的智能化支撑。
内容来源
贾志浩，李俊伟，张旭，张杰，王郅翔，徐昊，王力华.面向临床技能考核的多智能体协同护理操作评估系统构建与应用研究[J].中国数字医学,2026,21(5):18-26.
作者单位
首都医科大学附属北京友谊医院医学数智创新中心（贾志浩、李俊伟、王力华），信息中心（张旭），护理部（张杰），精准影像实验室（王郅翔）；北京理工大学计算机学院（徐昊）
通信作者
王力华
热门跟贴