人工智能在衛生保健工作者安全防護中的應用進展

Application progress of artificial intelligence in safety protection of health care workers

ZHANG Yi， MEI Hua， XU Ting， SI Wei， CAO Wenting， ZHU Aiyong

Department of Graduate， Shanghai University of Traditional Chinese Medicine， Shanghai 201203 China

Corresponding Author "CAO Wenting， E?mail： caowenting629@126.com; ZHU Aiyong， E?mail： zhuay@sumhs.edu.cn

Keywords""""artificial intelligence；"health care workers；"safety protection；"occupational protection；"nosocomial infection；"review

摘要""對人工智能在職業安全與健康、職業安全防護中的應用進行綜述，以期為提高衛生保健工作者自我防護的準確性和依從性、促進其工作安全性提供參考。

關鍵詞""人工智能；衛生保健工作者；安全防護；職業防護；醫院感染；綜述

doi：10.12102/j.issn.1009-6493.2024.18.017

衛生保健工作者（health care workers，HCW）的工作環境及服務目標人群具有特殊性，其在治療操作過程中的職業安全受到了多方面的考驗。隨著人工智能（artificial intelligence，AI）在醫療保健領域的發展，醫療保健與大數據和機器學習方法的結合應用增多^[1]，在流行病監測、預測中發揮著至關重要的作用^[2]。人工智能系統的應用不僅可以為病人提供良好的護理服務，還有利于提高醫療服務成本效益，促進人們生活質量提高^[3]。現對人工智能在衛生保健工作者安全防護領域的應用現狀進行綜述，以期為提高衛生保健工作者自我防護的準確性和依從性、促進其工作安全性提供參考。

1 "人工智能技術介紹

公共衛生安全問題是世界各國亟待解決的問題，重大流行性疾病的發生給全人類的生命安全和經濟帶來了極大威脅，習近平總書記多次強調，我國要與世界衛生組織協調配合，積極參與全球疫情防控工作，優化發展中國家的公共衛生安全治理現狀^[4]。數字化催生的互聯網技術、大數據技術、人工智能技術為公共衛生安全的治理提供了新思路^[5]。人工智能是通過模仿人類思維過程如學習、推理、思考并利用系統或設備輔助或代替人類執行相關任務的現代方法^[6]。機器學習（mechine learning，ML）是人工智能的一個分支，是一種由自動分析數據獲取模型，并對未知數據進行預測的算法。深度學習（deep learning，DL）是一種基于人工神經網絡（artificial neural networks，ANN）的人工智能方法。隨著機器學習和深度學習的技術進步，人工智能在計算機視覺、文本圖像分析、語言處理和識別等領域也進行了性能上的加強^[7]。機器學習/深度學習的不斷更新改善了醫療設備和醫務人員的工作方式，有利于其最大限度地避免與感染流行病病人接觸^[8]，增強自身安全防護。如使用WiFi、5G和藍牙技術連接可穿戴設備上傳病人心臟、呼吸等數據；采用神經網絡和數字圖像處理技術進行智能診斷、遠程監護等，減少不必要的醫患接觸。這些技術不僅可以幫助解決醫護人員短缺的問題，還可以提高醫療診斷及治療的準確性，控制醫療成本，節省個人防護裝備（personal protective equipment，PPE）的使用。

2 "人工智能在職業安全與健康中的應用

職業安全與健康是公共衛生科學的一個分支，結合了毒理學、流行病學、人體工程學等學科內容，研究內容包括公共場所疾病和傷害范圍的分布及相關預防策略和法律法規的制定。當前，越來越多的研究者將人工智能研究與職業安全防護整合在一起。美國國家職業安全與健康研究所（NIOSH）成立了職業機器人研究中心（CORR）^[9]，評估了機器人和人工智能對工作環境中工作人員安全性的影響。歐洲健康與安全機構也研究了人工智能增強工具和應用程序的功能、作用方式以及在職業防護場景中的應用情況^[10]。

2.1 大數據收集可以為流行病進展提供預警

大數據收集能夠更精準地預測疾病流行情況，幫助疾病預防中心提前制訂應急處理措施，通過風險預警也可以加強對傳染病區工作的醫護人員的保護。加拿大一款全球人工智能疫情風險軟件“藍點”（BlueDot）^[11]集健康和醫療專業知識與先進的數據分析為一體，可以通過跟蹤數據、當地新聞報道、官方公共衛生機構聲明、人口統計數據、牲畜健康報告等信息預測傳染性疾病風險。在對全球航空票務數據進行分析后，首次預測了病毒出現后幾天內擴散的城市。Parbat等^[12]通過支持向量回歸模型、運用約翰霍普金斯大學流行病數據預測了傳染病疫情死亡總人數、康復人數、累計確診人數和每日病例數趨勢^[13]。我國也利用人工智能在傳染病追蹤方面獲取了有效信息，如通過面部識別攝像頭跟蹤有旅行史的感染者^[14]、采用健康碼管理^[15]等方式幫助相關防控工作者快速鎖定密切接觸人員，精準防疫進行隔離診斷，不僅加快了辦事效率，方便了居民出行，使復工復產更科學、安全，也防止了傳染病疫情的大面積傳播。此外，人工智能分析結果還可以幫助政府和公共衛生部門根據實際情況積極采取防疫措施，為可能暴發的傳染病提早做出準備。

2.2 機器學習模型可以為醫護人員提供健康預警

隨著人口數量增加，醫護人員短缺情況凸顯，職業暴露使醫務人員的生命健康遭受威脅，不利于醫療行業的良性發展，因此，職業防護顯得尤為重要^[16]。目前，圖像處理技術和深度學習模型多基于放射學圖像對傳染病進行檢測^[17]，Jaiswal等^[18]開發了一種算法，利用生理數據建立了一個基于人工智能的早期預警系統，其能夠在臨床癥狀出現前幾天預測醫護人員的感染趨勢，從而有利于減少臨床并發癥的發生。經檢驗，Jaiswal等^[18]開發的基于人工智能的早期預警系統準確性較高，未來可用于大眾人群流行性疾病的監測。

3 "人工智能技術在職業安全防護中的應用

人工智能在應對感染預防和控制（infection prevention and control，IPC）中有著巨大的發展潛力^[19]。人工智能不僅可以提供客觀模式識別增強診斷的正確率，也可以通過監測衛生保健工作者的手衛生習慣、防護服穿脫行為等方式，幫助醫護人員預防感染，還可以輔助醫護人員進行一些危險操作，避免職業暴露，保護衛生保健人員健康，促進傳染病防控知識的傳播。

3.1 人工智能在醫院感染防護中的應用

3.1.1 手衛生

手衛生是感染防控中的重要一環^[20]，將人工智能應用于手衛生培訓和審核能夠提高操作準確性、簡化感染防控流程。Sure Wash系統通過交互式信息亭，基于攝像頭增強現實^[21]。并采用游戲化學習法訓練和評估手衛生技術，提高了醫護人員洗手流程的正確率和手衛生依從性。已有研究將可穿戴設備用于監測手衛生行為，感應醫務工作者手消毒時間和正確率，提高了醫務工作者的防護安全^[22]。Michael等^[23]對智能檢測系統應用效果的可持續性進行研究，對結果分析后提出，智能監測系統是否能夠長期改善手衛生執行情況還需進一步驗證。

3.1.2 個人防護

醫用個人防護裝備的正確使用對污染和疾病的傳播具有重要影響^[24]，Tomas等^[25]研究發現，只有不到一半的醫護人員能通過正確的順序穿脫個人防護裝備，且手衛生依從性較差。為了使醫務人員有更好的依從性，規范穿脫隔離衣，疾病控制預防中心（CDC）會定期進行培訓，并讓經驗豐富的專業人員監控醫護人員的隔離衣穿脫步驟。墨爾本大學的一項研究分析了遠程監控和現場工作人員監控在醫護人員穿脫隔離衣監測中的靈敏度，結果顯示，二者的靈敏度均為100%，但遠程監控可以在現場督查人員有限的情況下確保監測的可靠性，降低監測觀察員的感染暴露風險^[26]。劍橋大學研究人員運用一款名為“Blue Mirror”的人工智能軟件試點模擬了人?機協作的交互過程，該軟件在一臺帶有攝像頭的商用平板上運行，包含100%非接觸式交互過程，研究借助平板為醫護人員在穿脫防護服過程中提供指導，并提供醫用個人防護裝備穿脫過程中的人工智能實時反饋，結合遠程視頻提供額外的支持和校正反饋，該研究也有利于確定當前技術發展階段人工智能的自主程度，可以為人機協作替代人工監測防護服穿脫提供初步的數據基礎^[27]。目前該系統還在不斷完善之中，旨在進一步提高其性能和自主性。我國的科研團隊也研發了一款基于智能語音交互系統的防護服穿脫指導設備，結果顯示，設備語音系統清晰、指導性強且簡單易操作，有利于提高醫務人員穿脫防護服的依從性^[28]。我國研究的基于智能語音交互系統的防護服穿脫指導設備可用于醫院發熱門診、隔離病區、移動CT等場景的緩沖區域，應用前景較為廣泛，但存在反應靈敏度低、交互信度不完善等問題。

3.2 人工智能在針刺傷暴露中的應用

靜脈輸注是臨床治療的主要給藥途徑之一，據統計，我國二級以上醫院住院病人輸液治療率為93.13%^[29]。靜脈輸注起效迅速，但易對醫護人員造成安全隱患，如長期接觸化療藥物導致腫瘤發生風險增高、針刺傷及藥瓶銳器傷增多等^[30?31]。為了保障醫護人員的職業安全，許多醫院建立了靜脈藥物配制中心（Pharmacy Intravenous Admixture Services，PIVAS）負責靜脈輸注藥物的集中調配，這種方式可以減少不安全用藥因素，但依舊無法避免對配藥衛生保健工作者造成傷害^[32]。為此，美國的“健康導向”公司于2002年研發了“易達利五代”靜脈藥物配制機器人，其采用機器視覺模塊、稱重模塊、條形碼掃描等技術，可以以極高的效率和極低的差錯配制靜脈輸注藥物^[33]，但無法配制袋裝藥物。而加拿大的“里瓦”機器人解決了這一不足^[34]，其可以更加快速且精準地配制袋裝藥物，避免了細胞毒性藥物配制過程中藥物揮發對醫護人員造成的傷害。

3.3 人工智能在職業輻射暴露中的應用

為了減少臨床醫護人員受到的輻射損傷，大多數醫院會使用屏蔽裝置。Mortazavi等^[35]建立了一個人工神經網絡模型，用于預測醫護人員在不同水平電離輻射下的職業暴露損傷程度，結果表明，該模型在預測全年允許所受照射的極限劑量（AED）方面的準確性較高，預測的AED值和測量劑量間有很強的線性關系（訓練樣本r=89.0，測試樣本r=86.0）。Zimmermann等^[36]使用一種機器學習和圖像處理技術自動分析數據并計算輻射百分比，結果表明，使用該技術可以幫助避免43.5%的輻射。但該研究也存在一定局限性，需要建立一個專門的系統進行實時追蹤，以提高結果準確性。

4 "小結

目前我國衛生保健工作者對于職業防護的重視程度和處理能力有待提高，人工智能輔助不僅可以使醫務工作者在操作過程中更安全、高效地為病人服務，還可以實現人力資源的利益最大化，節省更多醫療耗材。雖然人工智能無法完全規避大規模傳染病的發生，但可以通過交互場景提高傳染病防控效率，減少疾病傳播，增加人員調配度，保障醫護人員的健康和安全。發達國家醫療數據信息化成熟度較高，相關制度和法律法規較為完善。我國也有基于人工智能的職業安全防護用品，但尚未實現真正的人機交互，人工智能技術有待進一步探索；其次，我國的職業防護與人工智能技術融合不夠密切，缺乏大規模的數據支持，數據質量有待驗證，準確性和可行性有待探究。研究者今后需將數據開發與臨床應用緊密結合，提高驗證的準確性；醫療領域工作者應在工作中不斷積累經驗，將其運用于人工智能技術的創新和相關職業防護規范的研究中，為病人提供優質的醫療和護理，促進預防和健康。

參考文獻：

[1] "AHMAD M，AHMED I，JEON G.An IoT-enabled real-time overhead view person detection system based on Cascade-RCNN and transfer learning[J].Journal of Real-Time Image Processing，2021，18（4）：1129-1139.

[2] "ABDUL M.Technical analysis of contact tracing platform developed by Google-apple for constraining the spread of COVID-19[J].ISPRS International Journal of Geo-Information，2022，11（11）：539.

[3] "AHMAD M，AHMED I，JEON G.A sustainable advanced artificial intelligence-based framework for analysis of COVID-19 spread[J].Environment，Development and Sustainability，2022：1-16.DOI：10.1007/S10668-022-02584-0.

[4] "郭娟，賀彬.習近平總書記關于公共衛生治理重要論述的時代背景、核心內涵及價值意蘊[J].中共石家莊市委黨校學報，2023，25（4）：10-14.

[5] "陳潭，梁世杰.組織動員、社區學習與應急治理——社區公共衛生應急治理的響應范式與實踐邏輯[J].社會科學，2021（12）：37-44.

[6] "ABDULJABBAR R L，DIA H，LIYANAGE S，et al.Applications of artificial intelligence in transport：an overview[J].Sustainability，2019，11（1）：1-24.

[7] "NASR M，ISLAM M M，SHEHATA S，et al.Smart healthcare in the age of AI：recent advances，challenges，and future prospects[J].IEEE Access，2021，9：145248-145270.

[8] "CHEN S W，GU X W，WANG J J，et al.AIoT used for COVID-19 pandemic prevention and control[J].Contrast Media Mol Imaging，2021，2021：3257035.

[9] "HOWARD J.NIOSH：a short history[J].Am J Public Health，2020，110（5）：629-630.

[10] "TAMERS S L，STREIT J，PANA-CRYAN R，et al.Envisioning the future of work to safeguard the safety，health，and well-being of the workforce：a perspective from the CDC's National Institute for Occupational Safety and Health[J].Am J Ind Med，2020，63（12）：1065-1084.

[11] "美國GCN.加拿大BlueDot公司利用人工智能預測病毒爆發[EB/OL].[2023-06-25].http：//www.ecas.cas.cn/xxkw/kbcd/201115_128187/ml/xxhcxyyyal/202004/t20200408_4938212.html.

[12] "PARBAT D，CHAKRABORTY M.A python based support vector regression model for prediction of COVID?19 cases in India[J].Chaos Solitons Fractals，2020，138：109942.

[13] "DONG E S，DU H R，GARDNER L.An interactive web-based dashboard to track COVID-19 in real time[J].Lancet Infect Dis，2020，20（5）：533-534.

[14] "KUMAR A，GUPTA P K，SRIVASTAVA A.A review of modern technologies for tackling COVID-19 pandemic[J].Diabetes Metab Syndr，2020，14（4）：569-573.

[15] "劉思遠，張麗軍，劉雷.人工智能在抗擊新型冠狀病毒肺炎疫情中的應用[J].中國醫學物理學雜志，2020，37（8）：1076-1080.

[16] "KUMAR R，PAL R.India achieves WHO recommended doctor population ratio：a call for paradigm shift in public health discourse！[J].J Family Med Prim Care，2018，7（5）：841-844.

[17] "GOUR M，JAIN S.Automated COVID-19 detection from X-ray and CT images with stacked ensemble convolutional neural network[J].Biocybern Biomed Eng，2022，42（1）：27-41.

[18] "JAISWAL D，MANDANA K，RAMAKRISHNAN R K，et al.An approach to a wrist wearable based COVID-19 prediction system to protect health care professionals[J].Annu Int Conf IEEE Eng Med Biol Soc，2022，2022：2459-2463.

[19] "CHEN S M，YANG J T，YANG W Z，et al.COVID-19 control in China during mass population movements at new year[J].Lancet，2020，395（10226）：764-766.

[20] "STORR J，TWYMAN A，ZINGG W，et al.Core components for effective infection prevention and control programmes：new WHO evidence-based recommendations[J].Antimicrob Resist Infect Controll，2017，6：6.

[21] "HIGGINS A，HANNAN M M.Improved hand hygiene technique and compliance in healthcare workers using gaming technology[J].J Hosp Infect，2013，84（1）：32-37.

[22] "FITZPATRICK F，DOHERTY A，LACEY G.Using artificial intelligence in infection prevention[J].Curr Treat Options Infect Dis，2020，12（2）：135-144.

[23] "MICHAEL H，EINLOTH C，FATICA C，et al.Durable improvement in hand hygiene compliance following implementation of an automated observation system with visual feedback[J].Am J Infect Control，2017，45（3）：311-313.

[24] "MITCHELL R，ROTH V，GRAVEL D，et al.Are health care workers protected？An observational study of selection and removal of personal protective equipment in Canadian acute care hospitals[J].Am J Infect Control，2013，41（3）：240-244.

[25] "TOMAS M E，KUNDRAPU S，THOTA P，et al.Contamination of health care personnel during removal of personal protective equipment[J].JAMA Intern Med，2015，175（12）：1904-1910.

[26] "SEGAL R，BRADLEY W P，WILLIAMS D，et al.Remote buddy monitoring of the donning and doffing of personal protective equipment[J].Med J Aust，2021，214（11）：526-527.

[27] "SEGAL R，BRADLEY W P，WILLIAMS D L，et al.Human-machine collaboration using artificial intelligence to enhance the safety of donning and doffing personal protective equipment（PPE）[J].Infect Control Hosp Epidemiol，2023，44（5）：732-735.

[28] "楊莎，張慧蘭，呂化杰，等.一種指導醫務人員脫卸個人防護裝備的智能語音提示交互系統的設計與應用[J].中國消毒學雜志，2023，40（4）：287-290.

[29] "王輝，謝欣葦，劉正躍，等.156所綜合性醫院住院患者靜脈輸液指標的綜合分析[J].藥學實踐雜志，2017，35（6）：573-576.

[30] "葉慧.職業防護視角下靜脈藥物調配中心的崗位安全管理[J].中醫藥管理雜志，2018，26（21）：172-173.

[31] "POWER L A，COYNE J W.ASHP guidelines on handling hazardous drugs[J].Am J Health Syst Pharm，2018，75（24）：1996-2031.

[32] "江娟，張菊.對靜脈藥物配置缺陷的改進策略與效果[J].實用臨床護理學電子雜志，2017，2（31）：164.

[33] "HAROLDS J A，HAROLDS L B.Quality and safety in health care，part X：other technology to reduce medication errors[J].Clin Nucl Med，2016，41（5）：376-378.

[34] "FERMIER A M，TROISI J，HERITAGE E C，et al.Powder dispensing robot for sample preparation[J].The Analyst，2003，128（6）：790-795.

[35] "MORTAZAVI S M J，AMINIAZAD F，PARSAEI H，et al.An artificial neural network-based model for predicting annual dose in healthcare workers occupationally exposed to different levels of ionizing radiation[J].Radiat Prot Dosimetry，2020，189（1）：98-105.

[36] "ZIMMERMANN J M，VICENTINI L，VAN STORY D，et al.Quantification of avoidable radiation exposure in interventional fluoroscopy with eye tracking technology[J].Invest Radiol，2020，55（7）：457-462.

（收稿日期：2023-06-27；修回日期：2024-06-27）

（本文編輯"陳瓊）