基于人工智能的健康體檢重要異常結果管理路徑及效果評價

基金項目：新疆維吾爾自治區創新環境（人才、基地）建設專項（編號：PT2207）

作者簡介：哈提拉·京斯汗（1989.12-），女，新疆烏魯木齊人，碩士，主治醫師，主要從事健康管理工作

通訊作者：韓雷（1984.12-），男，新疆烏魯木齊人，碩士，高級工程師，主要從事健康管理研究

摘要：本研究基于人工智能（AI）的重要異常結果管理系統，對比2020-2021年重要異常結果管理路徑實施流程，評價我健康管理中心基于AI的健康體檢重要異常結果管理路徑實施前后篩查時限、工作效率的影響。使用AI優化重要異常結果管理路徑，從而節約人力成本、縮短篩查時限，提升通知與隨訪工作效率，提高工作效率、效益及體檢者滿意度。

關鍵詞：人工智能；健康體檢；重要異常結果管理路徑

中圖分類號：TP18；R194.3" " " " " " " " " " " " " " 文獻標識碼：B" " " " " " " " " " " " " " "DOI：10.3969/j.issn.1006-1959.2024.03.015

文章編號：1006-1959（2024）03-0078-05

Management Path and Effect Evaluation of Important Abnormal Results of Physical Examination

Based on Artificial Intelligence

Hatira·Jinsihan，JANG Yan，DONG Xu-nan，HAN Lei

（Physical Examination and Health Management Center，the First Affiliated Hospital of Xinjiang Medical University，

Urumqi 830054，Xinjiang，China）

Abstract：Based on the important abnormal results management system of artificial intelligence （AI）， this study compares the implementation process of the important abnormal results management path from 2020 to 2021， and evaluates the impact of the screening time limit and work efficiency before and after the implementation of the AI-based important abnormal results management path of health examination in our health management center. AI is used to optimize the management path of important abnormal results， so as to save labor costs， shorten the screening time limit， improve the efficiency of notification and follow-up work， and improve work efficiency， efficiency and satisfaction of physical examiners.

Key words：Artificial intelligence;Physical examination;Important abnormal results management path

“健康中國2030”《關于促進“互聯網+醫療健康”發展的意見》工作的推進，有效的提高了人們對健康體檢的認知水平，越來越多的人將健康體檢作為篩查預防疾病的首選方式。何蓓莉等[1，2]對體檢者檢后管理需求的研究結論進一步明確了體檢機構對檢后管理規范化系統化的要求。但目前體檢機構對重要異常結果的管理缺乏統一標準[3-5]，手工處理效率低和錯誤率高影響重要異常結果的早篩查、早診斷的目標。為規范重要異常結果管理，基于人工智能（artificial intelligence，AI）化的優越性[6-9]，我中心建立了健康體檢重要異常結果的智能化管理路徑并實施，取得了較好的效果，現將具體應用情況報道如下。

1重要異常結果分類

根據2019年4月公布的“健康體檢重要異常結果管理專家共識（試行版）”[10]，以基本體檢項目為基準[11]，通過專家論證法結合各專業專家意見，形成我中心《重要異常結果管理標準》。該標準將重要異常結果分為A類與B類。A類：需要立即進行臨床干預，否則將危及生命或導致嚴重不良后果的異常結果。根據A類重要異常結果管理要求，實行首診責任制，在2 h內通知患者并采取措施。B類：需要臨床進一步檢查以明確診斷和（或）需要醫學治療的重要異常結果。根據B類重要異常結果管理要求，24 h內通知體檢者，并優先提供體檢報告，便于體檢者進一步明確診斷。為便于重要異常結果分類管理，按體檢項目屬性將重要異常結果分成A類組和5個B類組，影像組、實驗組、超聲組、心功能組、其他組。A類與B類重要異常結果以體檢基本項目為主進行設置，包括一般檢查、物理檢查、實驗室檢查、心電圖、影像檢查。其中一般檢查、實驗室屬于結構性數據；物理檢查、影像、心電圖屬于非結構性數據。影像檢查包括螺旋CT、核磁、平片、鉬靶、超聲檢查，超聲細分至腹部常規超聲（肝膽胰脾雙腎）、甲狀腺超聲、乳腺超聲、前列腺膀胱超聲及心臟彩超、頸部彩超。

2重要異常結果篩查及標記

根據數據格式將體檢結果分為結構化數據和非結構化數據，如血糖、血壓、體重等定量數據是結構化數據；影像結果、心電圖結果等描述性結果是非結構化數據。針對結構化數據設置閾值，由AI進行篩查，自動分類確定重要異常結果和可疑重要異常結果，見圖1。醫師核對可疑數據，在系統中標記并提交AI進行學習，形成知識庫。如：甲胎蛋白（AFP）：AFP＞400 μg/L，系統默認為可疑數據篩出，醫師查看健康病史為妊娠期女性，標記為非重要異常結果。

針對非結構化數據，設置重要異常結果關鍵詞，利用“爬蟲”技術抓取可疑數據，并提示醫師進行核對，見圖2。醫師結合體檢報告進行再次篩查，確定是否標記重要異常結果并提交AI進行學習，形成知識庫。如：超聲結果設置關鍵詞為肝囊腫，≥10 cm，系統默認為可疑數據篩出。知識庫根據場景和動態學習，不斷動態編制確定重要異常結果，減少可疑數據，從而減少手工處理工作量。

3重要異常結果管理

3.1管理計劃" 重要異常結果篩查標記后，系統將體檢者納入6個管理組，并分別進入管理路徑，見圖3。A類組管理路徑較5個B類組管理路徑多2小時的處置步驟，后續4次管理路徑一致。A類重要異常2小時觸發處置單，由首診醫師處置后填寫。6個管理組后續管理流程如下：入組第4天，觸發隨訪任務，電話通知重要異常內容，建議就診科室，并以短信通知；入組1個月，觸發第2次隨訪任務，電話確定是否就診，就診醫院、科室，是否住院，是否需要復查；入組6個月，未就診患者或者需復查患者，觸發第3次隨訪任務，電話確定就診及復查情況，未就診的患者短信再次通知。入組1年，觸發短信任務，通知再次體檢。

3.2管理表單" 根據重要異常結果管理計劃，制定4個表單，A類處置單，通知單、1個月隨訪表單、6個月隨訪表單。表單支持單選題、多選題、填空題、圖文選擇、矩陣評級框等設置，滿足多樣化的內容設置，見圖4、圖5。

3.3通知及管理途徑" 除A類重要異常結果2 h的處置單，其余3個表單均支持AI方式和手工方式填寫。隨訪任務觸發后，AI系統觸發AI電話，由AI將表單文字轉換為語音與患者進行溝通，溝通后將語音轉換為文字填入對應表單。根據表單結果，系統自動通過微信、APP等渠道推薦健康促進方案，和短信就診提醒，見圖6。AI系統未成功處理的，如電話號碼錯誤，語義未識別等系統提示失敗表單，轉入手工處理流程，由隨訪工作人員處理失敗表單。每日抽查質控AI完成的表單內容，對AI隨訪失敗的表單進行手工識別，完善同義詞學習和語義學習等，不斷完善AI系統識別功能。

4應用效果

我中心2020年體檢105 461人，檢出重要異常結果5798人，未使用基于AI的重要異常結果管理系統，篩查用時230 h，人均篩查時間2.38 min；隨訪用時315 h；2021年體檢106 037人，檢出重要異常結果7405人，篩查用時125 h，人均篩查時間1.69 min；隨訪用時59 h。使用AI的重要異常結果管理系統后篩查時間、隨訪時間顯著降低，工作效率明顯提升。

隨訪平臺統計：2021年隨訪平臺重要異常結果根據表單統計通知異常結果共7405人，通知本人共7240人（97.77%），通知家屬共166人（2.24%）；根據表單統計共隨訪3078人，已就診1033人（33.56%），未就診1870人（60.75%），隨訪失敗176人（5.72%）。根據表單統計隨訪6個月，隨訪人員共4435人（45.54%），結案4734人（48.61%）；隨訪失敗569人（5.84%）。

我中心2020、2021年重要異常結果檢出率分別為9.36%、6.70%，同劉玉梅等[12]、李燕芳等[13]研究發現的重要異常結果檢出率（8.16%）基本一致。且已有研究[14，15]對健康體檢重要異常結果檢后隨訪結果分析，并提出規范化的健康體檢服務模式能真正做到早診早治。隨著移動互聯網的普及，人工智能化（AI）+醫療模式已成為越來越多醫院信息化建設的重要選擇和突破口，通過優化醫患對接機制，促進溝通，使醫務人員價值最大化，服務最優化。

5總結

本中心針對重要異常結果管理的平臺優化明顯縮短了篩查、標記、隨訪流程的時限，解決了傳統隨訪工作信息化能力薄弱導致的隨訪效率低下，質量差，成本過高，容易流于形式的難題，形成體檢前和體檢后一體化、閉環式管理。因大多數體檢者存在體檢時重視，體檢后輕視，對健康體檢報告及宣教內容的執行力差的情況，重要異常結果的平臺優化做到了隨訪計劃以系統自動執行為主，輔以醫護一對一的服務，利用平臺短信、座機電話、互聯網等方式，定時自動或人工地對體檢者進行隨訪及呵護，保持著醫患之間的互動聯絡，真正把體檢者的健康管理落到實處，提高體檢者的滿意度。

參考文獻：

[1]何蓓莉.體檢人群體檢后健康管理需求的調查分析[J].福建醫藥雜志，2022，44（1）：129-130，171.

[2]徐紅芳，陳亞紅，周慧麗.基于客戶需求的健康體檢服務優化及效果分析[J].醫院管理論壇，2022，39（5）：55-57.

[3]龐羽，馬烈，伍朝春，等.健康體檢重要異常結果的標準化管理[J].中國衛生標準管理，2020，11（22）：1-3.

[4]郝偉，楊娜，陳娜娜.醫療機構體檢中心發現重大異常結果的處理流程[J].中國醫院，2019，23（12）：76-78.

[5]黃敏慧，蘇海燕，張卿.關于健康體檢檢后工作的探討[J].中華健康管理學雜志，2019，13（6）：549-551.

[6]劉莉，張卿.健康體檢重要異常結果處理流程與質量控制淺析[J].中華健康管理學雜志，2018，12（5）：469-471.

[7]雷夢園，宋曉琴，羅成漢，等.健康體檢重要異常結果及檢后質控管理的分析[J].健康體檢與管理，2022，3（2）：140-144.

[8]郭清.5G+“三早”健康管理系統的構建及應用前景探析[J].健康研究，2021，41（4）：361-364，386.

[9]張千彧，邱賓，劉偉軍，等.5G技術助力\"互聯網+醫療\"健康管理模式發展[J].中國衛生質量管理，2020，27（6）：81-84.

[10]中華醫學會健康管理學分會，《中華健康管理學雜志》編輯委員會.健康體檢重要異常結果管理專家共識（試行版）[J].中華健康管理學雜志，2019，13（2）：97-101.

[11]中華醫學會健康管理學分會，《中華健康管理學雜志》編輯委員會.健康體檢基本項目專家共識（2022）[J].中華健康管理學雜志，2023，17（9）：649-660.

[12]劉玉梅，林海燕，李曉紅，等.74628例健康體檢者重要異常結果分析[J].山東醫藥，2021，61（34）：66-69.

[13]李燕芳，魯翠紅，李莉，等.北京市中關村醫院健康體檢重要異常結果檢后隨訪結果分析[J].中國處方藥，2020，18（7）：166-167.

[14]林敏，李力.某院2016-2018年健康體檢重要異常結果分析[J].海峽預防醫學雜志，2019，25（3）：101-103.

[15]曾琳紅，況秀清，黃紅衛，等.某健康體檢機構重要異常結果標準化管理及質量管理與控制[J].健康體檢與管理，2022，3（1）：51-53，72.

收稿日期：2023-05-17；修回日期：2023-06-25

編輯/肖婷婷