通过同时使用电子健康记录来衡量协作:网络分析研究

简介

卫生保健系统协调协作的衡量已被证明对提供更好质量的医疗服务非常重要[1-9］．许多研究都将合作与护理质量联系起来[1-3.]、病人安全[4-6]，以及临床结果[7，8］．没有普遍的指导方针存在研究合作在卫生保健组织(HCOs)。现有的研究通过调查、书面报告和访谈来衡量合作[1-9］．此外，他们还研究了hco中的沟通、团队合作和解决问题的能力，并指出跨专业团队的功能通常不是最优的[3.，7］．此外，这些研究还发现了阻碍成功跨行业合作的障碍，包括权力动态、糟糕的沟通模式以及对角色和责任的不完全理解[1-9］．然而，现有的研究很少考察电子健康档案系统使用背景下的协作活动。电子病历系统为不同的卫生保健工作者提供了一个虚拟环境，以电子方式交换准确、详细和及时的信息[10-12］．

随着电子病历的普及，医疗卫生工作者之间涉及电子病历系统的合作比例也有所增加[13-15］．例如，一位呼吸治疗师在一份电子病历中指出，一位病人对氧气的需求增加了。与此同时，一名护士记录了同一病人的生命体征，并注意到呼吸急促的表现。接着，主治医生检查了患者的生命体征和呼吸频率，并给患者开了利尿剂[16］．在这里，三名卫生工作者通过电子病历系统经历了潜在的(不明确的)合作，可能没有被卫生工作者标记。卫生工作者可能会花相当多的时间透过电子病历系统进行潜在合作，照顾病人[17-19］．然而，由于缺乏描述这种性质的合作的指标或概念，潜在合作、护理质量和患者安全之间的关系一直未得到充分研究。

高粒度和广泛可用的电子病历审计日志记录电子病历内发生的HCW活动[20.-23]，并可用于模拟卫生保健员之间潜在的合作，以及卫生保健员与电子病历系统之间的相互作用[13，16，24-29］．通常，审计日志中记录的每个事件包括时间戳、涉及的操作类型、涉及的HCW和患者id，以及进一步的元数据，如HCW专业、患者人口统计和健康状况[13，16，20.-29］．电子病历审计日志已广泛用于衡量卫生保健组织结构[20.，25]、临床工作流程[20.，30.，31]、创伤护理小组架构[13，20.，26]，以及重症监护室护理设施[16，27-29］．现有研究在粗粒度级别上调查审计日志数据，以建立hcw之间的联系[13，16，20.-31]，因此，大部分上下文信息(例如，HCW-EHR系统交互)会丢失。例如，卫生工作者之间的粗粒度潜在相互作用以前被定义为在同一天或在同一患者接触期间与同一患者的共同相互作用[26-29］．我们证明了审计日志能够在高度细粒度的级别上研究潜在的协作活动。

在这项研究中，我们提出了一个健壮的框架，通过并发电子病历的使用来调查潜在的协作。使用这个框架，我们描述了一个案例研究，展示了它在一个大型学术医疗中心的新生儿重症监护病房(NICU)的使用，该中心由新生儿学家、新生儿研究员、新生儿一线提供者、新生儿护士、呼吸治疗师、咨询师、辅助人员和支持人员组成。在新生儿重症监护室，每个病人发作的审计日志密度非常高，是调查潜在合作的理想环境[16，28］．

方法

概述

在本节中，我们将描述如何从审计日志数据中定义和计算单个间隔、并发间隔和并发会话。我们定义了我们提议的框架的核心组件，用于测量潜在协作及其特征，通过审计日志数据，其中包括并发强度(并发间隔的比例和在这些间隔上花费的时间)，潜在的协作HCW关系，时间模式(工作日vs周末或并发EHR使用的入院vs出院时间趋势)，以及并发会话的复杂性。图1从审计日志数据出发，分析了潜在协作学习的工作流程及其特点。

‎ 查看此图

EHR审计日志中的事件

事件是审计日志条目中的一行，包含HCW ID、患者ID、操作ID和时间戳。因此，事件描述了HCW在特定时间对患者的EHR执行的操作。操作ID与执行的操作类型相对应，例如输入进度记录、访问患者人口统计数据、补充药物、检查胆固醇测试结果，等等。表1显示了两个hcw(匿名id a和B)在两个患者(匿名id 1和2)的电子病历上执行的事件列表。这些事件是从EPIC电子病历审计日志中检索到的。事件的进一步定义可以在Epic的EHR用户web上找到[32］．

从事件中创建间隔

我们将间隔定义为事件的有序列表，这些事件依次发生，直到两个事件在时间上的间隔超过某个截止点(注意，这些事件必须来自同一个HCW和同一个患者)。每个间隔都有开始和停止时间，分别对应于间隔中的第一个事件和最后一个事件的时间。间隔还有一个持续时间度量，即开始时间和停止时间之间的差值。图2A提供了一个更详细的示例，使用2分钟作为截止时间。此间隔定义旨在将HCW的EHR操作划分为一组段，类似于临床医生为单个患者下的订单会话或一系列订单，在以前的报告中定义[33］．

‎ 查看此图

Satopaa等人描述的“膝部点”查找算法用于估计所用的截点[34］．我们之前的研究使用了这种策略，并确定了审计日志会话的临床有意义的间隔[35］．这种策略以前曾用于寻找复杂系统的工作点，并且对任何连续函数都有更正式的定义f，详情如下:

K_f（x) =f”(x) / (1 +f”(x）²）^1．5 (1）

K_f（x)表示曲率的闭合形式f任意点的一阶导数和二阶导数。我们发现x通过knedle算法，使曲率最大化[34］．

从间隔中创建并发会话

我们将并发会话定义为由不同hcw对同一患者的EHRs执行的一组暂时性重叠间隔。我们假设并发会话可以表明谁与谁一起工作，因为他们同时执行EHR操作来管理单个患者。并发时间间隔是属于并发会话的任何时间间隔;同样，单个间隔是不属于任何并发会话的任何间隔。会话的并发间隔有大于零的重叠。图2B提供了一个由四个并发间隔组成的并发会话的更详细示例。

工作日的定义

我们发现，有时卫生工作者只花很少的时间(例如，每24小时5分钟)与患者的电子病历进行互动。我们将这些较低的活动日表示为非活动的EHR工作日，并假设这些工作日对测量潜在协作及其特征几乎没有影响。因此，我们在本研究中只调查了活跃的EHR天数。活跃的EHR日定义为当天所有HCW间隔时间之和超过一定时间或工作日时间截止的一天(24小时)。这一临界值由不同的临床环境(如NICU或初级护理)以及与ehr互动的各自HCW时间决定。我们依靠EHR利用方面的专家知识来确定工作日截止值。

创建中间数据矩阵

基于并发会话，我们生成了八个中间矩阵(图1)，描述潜在的合作及其特征。例如，并发间隔和动作之间的关联存储在并发间隔-动作矩阵中，并发间隔和并发会话之间的关联存储在并发间隔-并发会话矩阵中。中间数据用于接下来的分析。

测量HCW并发强度

根据前面讨论的定义，我们可以为每个HCW创建属性。这些属性包括HCW专业(例如，新生儿学家和新生儿护士)、个别间歇期、并发间歇期、个别间歇期和并发间歇期的持续时间、EHR工作日以及这些EHR工作日的持续时间。我们利用这些属性来度量并发时间间隔在所有记录的时间间隔中的比例，以及花费在并发时间间隔上的时间比例。这两个属性构成了HCW的并发强度。我们测量了每天的并发强度，不包括不活跃的EHR工作日。每日并发强度，以及在活跃的EHR工作日的EHR时间，被用来描述一个HCW在EHR系统中的时间特征。我们使用Spearman秩相关来衡量具有相同专业属性的hcw在EHRs上的每日时间与在并发间隔上花费的每日时间之间的相关性。这检验了零假设，即在同一专业的所有hcw中，在并发间隔上花费的每日时间与在EHRs上花费的每日时间之间没有关联。此外，我们采用单因素方差分析(ANOVA)来检验各专业在活动工作日的并发强度和EHR时间差异的显著性，其显著性水平为0.05。零假设是不同专科的hcw在并发强度/EHR时间上没有显著差异。 All statistical analyses, including those in the following sections, were performed using R 4.0.4 (R Foundation for Statistical Computing). The four matrices, as shown in图1，用于量化每个HCW的并发强度。

测量和验证hcw之间潜在的协作关系

利用hcw -并发会话矩阵来衡量hcw之间关于并发会话参与的关系。在这项研究中，我们使用了一对健康工作者之间的共同附属会议的数量来衡量关系的强度。基于这些卫生工作者之间的权重，我们创建了一个卫生工作者网络来描述他们潜在的合作。我们使用k -核分析来确定描绘EHR系统中hcw之间核心潜在协作的子图。K-core子图中的每个HCW都与至少K个其他HCW相连，每个HCW都被视为整个协作网络的一个核心。本研究使用了开源网络分析和可视化工具Gephi [36］．

我们假设，如果合作关系的学习类别(高强度和低强度)与卫生工作者的心理预期一致，那么我们测量潜在合作关系的方法是合理的。为了评估卫生工作者是否能够区分来自电子卫生记录的协作关系的可能性，我们将假定的协作关系分为以下两组:高可能性和低可能性。我们从高组和低组中随机选择了一组合作关系，由受邀专家在在线调查中评估。对调查做出回应的专家被问及诸如“你认为(新生儿护士)在多大程度上与(新生儿学家)在电子健康记录系统中互动以管理病人?”这是对每个合作关系的要求，受访者对ehr学习的可能性是盲目的。专业人士被要求从以下五个答案中选择一个:“完全不可能”、“有点可能”、“中等可能”、“非常可能”和“完全可能”。为了进行统计分析，这些调查回答被编码为1到5之间的整数值(李克特得分)(例如，“完全不可能”被映射为1)。李克特得分用于量化专家对潜在合作关系的心理预期。

这些调查通过REDCap管理系统分发[37并在范德比尔特机构审查委员会(批准号:191892)审查和批准后要求专家回复。利用调查结果，我们验证了以下假设:专家可以区分高可能性和低可能性类别之间的潜在合作关系。我们应用线性回归模型，如下面的方程所示，来确定高可能性关系和低可能性关系的Likert评分。

李克特得分=α+θ×β（2）

其中θ{1(高似然)，0(低似然)}表示从电子病历中识别出的协作关系的高和低似然。在此模型下，低可能性合作的Likert评分为α (θ=0)，高可能性合作的Likert评分为α + β (θ=1)。因此，β值对应的是高可能性合作关系和低可能性合作关系的Likert分数的差异。

我们使用Likert分数作为观察值，通过线性回归模型推断β。然后，我们使用方差分析来检验β≠0对零假设β=0的显著性。我们在两面α=处检验假设。0.05显著性水平。

挖掘并发电子病历使用的工作日和周末时间趋势

我们分析了ehr中并发会话发生的时间(例如，移位)。我们假设HCWs在工作日和周末有不同的EHR交互模式，并且这些模式在患者入住NICU的各个阶段也有所不同。因此，我们对并发EHR使用的工作日和周末时间趋势进行了建模，我们称之为时间模式，并将重点放在患者住院的以下三个特定阶段:入院、出院和中间阶段。

由于所有被调查的患者都有入院和出院日期，我们根据所有这些患者了解了入院后24小时和出院前24小时的时间模式。我们创建了以下四个患者组:(1)工作日入院的患者，(2)周末入院的患者，(3)工作日出院的患者，(4)周末出院的患者。对于患者组中的单个患者，我们测量了24小时内每小时由卫生工作者对该患者的电子病历进行同步间隔的次数。接下来，我们计算了一组所有患者每小时的平均数量，以形成一个时间模式。我们使用Wilcoxon秩和检验来测量工作日和周末之间的时间模式的差异，因为Wilcoxon秩和检验仅基于来自两个模式的观察结果下降的顺序。

我们选择患者住院期间的中间几天来代表中间阶段，用于测量时间模式。我们还将患者住院分为以下两个亚组:工作日和周末住院。我们测量了每个小时的平均并发间隔数，并使用Wilcoxon秩和检验来评估工作日和周末时间模式之间的差异。

我们还比较了工作日和周末在入院、出院和住院中期同时使用电子病历的程度的差异t测试。这样做是为了确定两种模式的均值之间是否存在显著差异，而不考虑模式观察顺序。

聚类并发间隔来描述并发会话

并发间隔动作矩阵记录了一个动作在并发间隔内出现的次数。这个矩阵用于学习并发间隔和并发会话之间的关联操作类型的相似性。我们进行了主成分分析(PCA)、t分布随机邻居嵌入(t-SNE)和k -均值聚类，以聚集由聚类并发区间矩阵描述的区间。集群并发间隔矩阵与并发间隔并发会话矩阵一起使用，以确定并发会话是否包含分配给同一集群或不同集群的间隔。这种联合分析是通过计算矩阵的点积来进行的。这样的分析可以突出显示并发会话的复杂性(例如，与单个集群或多个集群关联的并发会话)。

数据的可用性

本研究中生成和分析的数据集不是公开的，因为它们包括患者的私人信息。但是，数据集可以在合理的要求下从相应的作者那里获得。

结果

新生儿重症监护室的个案研究

我们从一个大型学术医疗中心的NICU收集了4个月的EHR审计日志数据。数据集包含3303名医护人员(VUMC EHR系统中约22,319名医护人员)对382名NICU患者的EHR进行的2,840,249次操作。在这个案例研究中，我们将2分钟作为从一系列事件中创建间隔的截止阈值;这是最大曲率点，或“膝点”，通过knedle算法确定(如图所示)多媒体附件1)．我们使用15分钟作为阈值来区分不活跃工作日和活跃工作日，这是通过NICU专家关于电子病历使用情况的问卷确定的。根据这些阈值，我们创建了624,192个并发间隔，每个间隔由650个独特动作的连续序列组成。从并发间隔中创建了173,436个并发会话。

检查NICU HCWs并发强度的差异

我们比较了活跃工作日平均EHR时间最高的13个专业的并发强度。由552名保健护士组成的13个专科被列入表2，以及并发强度和EHR时间的平均值和95% ci。并发强度是剔除非活跃工作日的活动后计算出来的。统计检验结果显示，两组患者EHR时间差异有统计学意义(均值23.38,95% CI 21.97 ~ 24.80，均值54.78,95% CI 40.43 ~ 69.13;P<.001)和并发强度(从平均0.07,95% CI 0.06-0.08，到平均0.36,95% CI 0.18-0.54;P＜．001与同期区间的比例相关，从平均0.32 (95% CI 0.20-0.44)到平均0.76 (95% CI 0.51-1.00);P＜．在13个被调查的专科中，花费在并发间隔上的EHR时间的比例为001)。我们发现除了体外膜氧合(ECMO)呼吸治疗师(P<措施)。ECMO呼吸治疗师在EHRs上花费的时间与同时间隔花费的时间比例之间存在正相关。这表明ECMO呼吸治疗师(76%的EHR时间)在高度并发的环境中工作。

检查新生儿重症监护室潜在的协作网络

我们确定了一个由857个hcw组成的协作网络，它们之间有4242条边相连。857所卫生保健中心隶属于406个独特的专业。图3而且4显示HCW的协作网络及其15核子网，其中每个节点都是一个HCW。15核子网由61个核心hcw组成，748条边连接这些hcw。在15核子网中，每个HCW至少与15个其他HCW合作。与完整的协作网络(以新生儿护士为中心)相比，15个核心的子网络以辅助人员为中心(与NICU专业人员的潜在协作:新生儿护士、新生儿一线提供者、新生儿研究员、新生儿学家和呼吸治疗师)。为了解释NICU HCWs之间的合作，NICU专家将406个专业分为以下8个角色:新生儿科医生、新生儿研究员、新生儿一线提供者(例如，执业护士、医师助理、医院医生和住院医生)、新生儿护士、呼吸治疗师、顾问(例如，外科医生、妇产科医生、血液学医生、放射科医生、麻醉师和遗传学顾问)、辅助人员(例如，注册营养师、社会工作者、病例经理、技术人员和抽血医生)和支持人员(例如，职员、信息技术人员、协调员和医疗助理)。协作网络，如图图5，在角色级别上进行可视化。中给出了8个角色和406个专业之间的映射多媒体附件2．

总体而言，辅助人员和顾问的并发强度(节点大小更大)高于具有其他角色的医务人员(图3)．辅助人员节点分布在15核子网(图4)．图5表示八个专业角色之间潜在的协作关系。辅助保健工作者、顾问、新生儿护士和新生儿一线提供者之间的关系很强。新生儿护士在网络中非常活跃，经常与辅助人员的HCWs合作，这是最具协作性的角色。

‎ 查看此图

‎ 查看此图

‎ 查看此图

协作验证结果

我们对12个(12/28)合作关系(6个高可能性和6个低可能性)进行了抽样，并生成了包含12个问题的调查(多媒体)．接受邀请并参与调查的NICU专家总数为13人，其中4名新生儿学家，3名新生儿研究员，3名新生儿护士，2名护士执业医师和1名呼吸治疗师。13位专家，包括新生儿主治医生、护士、执业护士、住院医师、研究员和呼吸治疗师，是新生儿重症监护室专业知识的代表。这些专家在新生儿重症监护室工作的平均年限为5.65年。所有13名NICU专家完成了调查(回复率100%)。专家在新生儿重症监护室工作的年数描述为多媒体附件4．Likert评分结果见多媒体．我们使用线性回归模型的假设被分位数-分位数图所证实，如图S2所示多媒体．总体而言，NICU专家能够区分高可能性和低可能性之间的协作关系(β=。88, Likert评分:3.54,95% CI 3.31-4.37 vs 2.64, 95% CI 2.46-3.29;P<措施)。由NICU专家调查的12项合作的Likert评分显示在表3．

并发电子病历使用的时间趋势

图6显示入院后24小时(6A和6B)和出院前24小时(6C和6D)的时间模式。这些模式按工作日或周末状态分开。两种入院的时间模式有显著差异(平均每小时并发间隔次数:11.60 vs 0.54，P<.001)和出院天数(4.72 vs 1.45，P<.001)，但不适用住院的中间阶段。

预期，在住院的三个阶段，工作日HCWs之间的EHR并发使用比周末更多(平均每小时并发间隔数:9.56 vs 2.34，P<措施)。

‎ 查看此图

并发间隔的集群和并发会话的组成

我们将并发间隔的组成动作作为特征进行聚类。我们使用PCA将维数降至前10个分量，这解释了97%的方差。然后我们在10个PCA分量上应用t-SNE，进一步将数据降至二维。最后，我们使用k-means聚类算法形成50个聚类，如图所示图7．这个50的K值是通过最小化总簇内误差平方和(WSS)来确定的。每个点的平方误差是该点到其预测聚类中心距离的平方。WSS分数是所有点的误差平方和。WSS与k的关系如图S1所示多媒体附件6．如图7时，这50个簇被很好地分开。每个集群中的并发间隔共享类似的操作。

中显示的集群图7，我们检查了簇间关系，如图S2所示多媒体附件6．计算的集群间网络描述了每个并发会话的成对关系。

图8根据所关联的集群的数量显示并发会话的分布。我们表明，超过87%的并发会话可以明确地分配到一个唯一的集群中，这表明大多数hcw在并发会话中执行类似的操作。大约13%的并发会话(由并发间隔组成)来自多个集群。

我们的无监督学习框架可以从审计日志数据中识别和量化并发EHR使用情况。根据并发EHR使用情况，我们可以确定并发活动的比例、用于这些活动的时间比例、参与并发或潜在交互的医护人员、住院三个阶段工作日和周末并发EHR使用的时间趋势，以及并发活动的复杂性(单集群vs多集群)。

‎ 查看此图

‎ 查看此图

讨论

主要研究结果

我们提出了一个新的框架来衡量潜在的协作从EHR审计日志，我们建立了新的指标，这可能是有用的潜在的医疗卫生合作的分析。电子病历系统的使用是普遍的，并仍在增加。虽然有衡量合作的研究，但很少有针对卫生工作者之间潜在合作的日益增长的范式。我们演示了在潜在协作分析中使用我们的信息学框架。我们检查了不同HCW专业的并发强度，发现并发活动的比例和花在这些活动上的时间比例有统计学上的显著差异。有人指出，在某些情况下，临床医生共享同一工作站或计算机终端。同时使用EHR在不同的卫生保健机构之间可能具有高度不同的人体工程学，例如，在某些情况下，卫生保健机构可能必须共享一台工作站，从而不可能同时使用EHR。在本研究中，我们发现来自不同部门的医护人员之间存在潜在的合作，因此，医护人员共用同一工作站或计算机终端的可能性很低。如发现同一部门或单位的健康员之间存在潜在的协作，健康员主任最好为部门/单位内的健康员分配更多工作站或电脑终端机，以实现电子病历系统的高效协作。

我们研究了代表卫生工作者之间协作关系的网络(图2)．通过使用我们的框架，我们确定了NICU中定义的角色类别之间的HCW关系。我们在NICU环境中评估了我们的框架，并证明了使用并发EHR使用测量潜在协作的有效性。根据从图35，电子病历供应商或医护人员可能需要在电子病历系统中建立沟通渠道，以便辅助人员与其他卫生工作者(如NICU护士)合作，为新生儿提供高质量的护理。

引人注目的是，我们的框架描述了顾问、辅助人员和新生儿护士之间强有力的合作关系(图4)，尽管NICU专家并不一致地分配他们之间的协作关系(例如，辅助人员和顾问之间的协作关系)(表3)．造成这种差异的一个潜在原因是，我们的调查对象不是辅助人员或顾问角色的一部分，因此限制了对这些具体合作的描述。从这些角色中招募医务工作者作为调查对象仍然是当务之急，但由于他们被分配到不同的部门和护理单位，因此具有挑战性。我们认为需要一项大规模的研究来正式评估辅助人员和顾问之间潜在的合作关系。

我们检查了住院期间入院、出院和中间阶段的同时EHR使用模式，发现工作日和周末之间的模式存在显著差异。这表明hcw在工作日和周末的行为不同，这可能有助于hco使用不同的人员配置策略，优化工作日和周末的潜在协作。

我们对hcw的并发间隔进行了聚类，并强调了它们的互联性(多媒体附件6)．这些集群及其邻居可用于减少审计日志数据分析的搜索空间。这可能支持更高吞吐量的流程挖掘或针对特定的主要HCW角色。

本研究的范围及其局限性

这是一项初步研究，我们想承认一些可能指导未来潜在合作相关研究的局限性。同时使用卫生工作者活动可以帮助卫生工作者或电子病历供应商识别卫生工作者之间潜在的协作关系;然而，在优化或完善电子病历系统时，需要进一步验证这种关系。此外，这些潜在关系的因果解释还没有确定。我们认为，描述某些协作的原因将需要更多的数据和对HCW-EHR系统交互工作流程的进一步调查。这项研究没有描述这种现象的原因，但强调了它的存在，并为未来的工作提供了假设生成的途径。

卫生工作者之间有多种形式的合作[26］．协作可能包括直接和明确的物理交流或通过数字平台的潜在交互，但我们的研究重点是涉及电子病历系统的潜在交互。学习更广泛的协作形式需要集成更广泛的数据资源。

我们调查了并发使用EHR的情况，但没有调查所观察到差异的根本原因。我们对并发EHR使用的关注可能无法检测到没有时间重叠的协作活动。此外，我们承认并非每一项同时进行的HCW活动都表明潜在的合作。同一目标患者EHR的重叠使用可能是巧合。例如，一些hcw可能只是有重叠移位，这可能被我们的框架检测为假阳性，因此需要进一步验证来标记这些场景。

由于间隔持续时间是通过时间戳的差异来计算的，所以我们没有捕获间隔结束操作的持续时间。记录这类行动持续时间的潜在补救措施包括使用视频监控来跟踪EHRs中的HCW活动。

NICU专家区分了从EHRs中学到的高可能性和低可能性之间的潜在协作关系;然而，我们并没有在电子病历用户的水平上评估每个推断出的潜在协作关系的合理性(边缘在图3)．

最后，我们使用专家确定的阈值来定义活跃的EHR工作日。在不活跃的EHR工作日发生的活动也可能为衡量潜在的协作关系提供证据。此外，NICU专家将Epic系统命名的406名专家归类为8种一般角色，根据他们的专业知识和经验可能存在偏见。

结论

我们提出了一个信息学框架，它依赖于并发电子病历的使用来学习潜在的协作。我们通过以下四种类型的分析探索了该框架的优势:(1)量化与EHR交互和并发使用的时间，(2)调查参与高并发EHR使用的HCWs之间的潜在协作关系，(3)测量住院三个阶段工作日和周末并发EHR使用的时间趋势，以及(4)聚类EHR活动以描述并发EHR使用的复杂性。我们通过一个案例研究评估了我们的框架的有效性，并预期其泛化性将进一步分析潜在的协作交互如何影响患者护理、出院时间、临床医生工作量、压力或倦怠。