儿童人体测量是儿科护理的一个标准组成部分，以实现生长监测以及人群水平的评估和临床研究。尽管人们普遍依赖人体测量学，但测量设备的技术进步有限。20世纪80年代，体重测量的精度随着弹簧秤向数字秤的转变而提高[ 1， 2］．然而，直到最近，平卧长度和站立高度的测量还没有从类似的创新中受益;常用的水位计或高度板是沉重的木质设备，对现场条件很坚固，但运输不便，在资源匮乏的环境中，通常用于现场调查和社区筛查。

近年来，有两种不同类型的基于移动设备的技术被提出来替代使用测量仪的人工人体测量:(1)使用几何形态测量模型的应用程序和(2)使用3D成像系统的应用程序。通过将便携式相机连接到标准平板电脑和预装软件，这些成像系统能够从一系列图像捕捉开发的3D模型中估计儿童身高(长度或高度)、头围和中上臂围(MUAC)。几何形态测量模型旨在直接将儿童分类为严重或中度急性营养不良;例子包括严重急性营养不良照片诊断应用程序[ 3.]由西班牙反饥饿行动开发，以及由Kimetrica开发的营养状况极快速观察方法[ 4］．相比之下，3D成像系统技术——目前由非营利组织Welthungerhilfe开发的儿童生长监测器和由体表翻译公司(BST)开发的AutoAnthro所使用——产生人体测量测量的估计值，然后可以用来描述营养状况。

旨在直接对急性营养不良进行分类的软件的初步验证研究遇到了方法学和逻辑上的挑战。在西班牙和塞内加尔进行的照片诊断应用程序验证阶段研究发现，诊断准确率很高，但表明样本人群之间存在显著的形态差异，这意味着需要研究这种形态变异[ 5， 6］．参与这项研究的研究人员指出，尽管形态变异可能可以通过机器学习来克服，但与现有技术相比，这种方法被证明非常昂贵，并且捕获可行的扫描所需的条件不能在现场重复(AV Brizuela，个人通信，2022年2月25日)。在肯尼亚的初步试点期间，“营养状况极快速观察方法”软件的准确度较低;目前正在开展工作，利用更大的多国数据集进一步校准，以提高性能[ 4］．

虽然儿童生长监控器仍处于开发和测试阶段，但一些研究已经评估了AutoAnthro的性能。最初的疗效研究表明，在美国乔治亚州的受控环境中，设备能够实现高精度——重复3D扫描的可靠性与手动测量身高、头围和MUAC的可靠性在1毫米以内;然而，系统偏差的报告[ 7］．在危地马拉、肯尼亚和中国进行的重复研究旨在确定观察到的系统性偏差是否可以在人群中推广，从而确定是否可以通过分析来纠正。然而，多国复制研究发现偏倚方向和幅度的准确性和可变性较低[ 8］．

鉴于这些地区营养监测面临的额外挑战，建议在人道主义环境中进行进一步测试。收容国内流离失所者和难民的地方通常地处偏远，天气条件恶劣，互联网连接有限或根本没有。这些条件对3D成像技术的训练和使用提出了独特的操作挑战。对软件和硬件进行了更改，以确保设备和操作软件在这些条件下具有健壮性和可接受性。此外，评估的时机——在COVID-19大流行的急性期——提出了新的挑战。由于旅行和行动受到限制，有必要采取更加自主的行动。此外，考虑到传统人体测量(特别是身高和长度测量)所需的物理接触所带来的传播风险，人们对3D成像技术的潜力产生了额外的兴趣。

在人道主义环境中广泛采用AutoAnthro技术要求精度至少与人工测量相当，尽管有额外的限制。因此，本研究旨在修改软件算法后重新评估设备精度。

本研究评估了第三代AutoAnthro 3D成像系统与儿童人体测量手工测量的准确性。第三代软件包含了对上一个版本的重大更新，旨在实现在严峻环境中所需的更高级别的持久性和可移植性，通过扫描捕获和设备性能改善用户体验，自动化图像处理，并实现更改以允许软件在低成本硬件上运行。本研究中使用的AutoAnthro技术的硬件、定位、数据捕获和处理的详细信息与以前的版本进行了比较 表1．考虑到对该技术的现场就绪性的兴趣，该研究被嵌入国际医疗队(IMC)进行的具有人口代表性的家庭营养调查中，以模拟使非研究行为者能够在营养调查中使用所需的自动化水平[ 9］．调查于2021年底(9月27日至10月2日)在马拉卡尔平民保护地点进行，该地点位于南苏丹东北部，收容了约3.4万名国内流离失所者[ 10］．

采用两阶段整群抽样设计对家庭进行抽样，其中营地街区的选择概率与大小成比例。所选街区完全枚举，住户采用系统随机抽样的方式随机选择。针对485名儿童的样本，以达到估计全球急性营养不良患病率的预期精度，这是主要调查目标。考虑到α为.05，幂为0.8，以及之前研究中观察到的SDs，该样本足以检测出高/长0.17 cm和MUAC 0.09 cm的差异[ 5］．在选定的家庭中，只要主要照顾者口头知情同意，所有6至59个月的儿童都有资格参与。

BST的工作人员远程培训IMC调查经理;培训内容包括儿童的定位，硬件和AutoAnthro软件的使用，以及执行和保存扫描。调查经理亲自为枚举人员重复了培训。人工人体测量组和3D扫描组接受了为期4天的培训。团队共同参加了关于研究目标和手工人体测量的课堂培训。为手工人体测量学家和扫描仪分别组织了实践练习和标准化测试。所有手动测量器均通过了标准化测试，手动测量高度/长度的技术误差(TEM) <1.4, MUAC的测量误差<3.0。

测量由6个4人小组进行，包括2名(50%)测量员，1名(25%)接受过手工人体测量学培训的团队负责人，以及1名(25%)接受过获得3D扫描测量的测量员。对于给定的儿童，由2名手工人体测量学家分别获得手工测量值(体重、身高/长度和MUAC)，并输入平板设备上的开放数据工具包(Get ODK)中编程的调查。人体测量学家首先收集体重和MUAC;然后根据2006年世界卫生组织(世卫组织)儿童生长标准研究所用的方案收集身高或长度[ 11］．人工测量后，由不同的计数人员进行扫描，以确保独立性。扫描是使用三星Galaxy 8安卓手机上的AutoAnthro(第三版)软件和英特尔RealSense 3D扫描仪( 图1)．每个3D成像疗程包括10次扫描，其中5次扫描了孩子的正面和背面。产生了两组测量值:(1)由应用程序生成的实时离线高度/长度和MUAC估计值，并在家庭中显示给数据收集团队以进行可信性检查;(2)更新的测量值。对于更新的测量，扫描数据被上传到云服务器进行全自动处理，这是一种更慢、计算量更大、通常更严格的基于手机的算法版本，带有额外的错误检查，以检查孩子的意外位置。然后该软件将实时结果与更新的测量结果进行比较，并报告更多数据 一致的结果，通过比较各个子扫描的SD(6-10个子扫描产生1个扫描)来识别。如果扫描数据太差，无法产生实时或更新的测量结果，AutoAnthro就不会报告结果。11.9%(64/539)的儿童，计数人员认为实时估计是不可信的，并进行了额外的扫描。如果对一个给定的孩子执行多个扫描会话，则使用所有单个扫描会话的中位数。实时扫描主要用于评估它们是否可用于识别和转诊被遗弃的儿童，而分析则集中在更新但仍然完全自动化的测量上。

鉴于在初步质量检查和数据处理后，大量扫描结果遗失，我们与统计员(共与12名统计员进行了4次小组访谈)和英国保安科职员(3次单独访谈)进行了深入访谈，以记录挑战。访谈是在美国用英语远程进行的，使用半结构化的访谈指南，并记录下来以方便记录。

评估有和没有扫描测量的儿童在人口统计学特征、儿童营养状况和团队人数方面的差异，以评估与成功扫描捕获相关的特征。对于未经调整的比较，使用连续变量的Kruskal-Wallis检验和分类变量的Fisher精确检验来评估差异的统计显著性。多元逻辑回归适合于评估调整后的成功扫描的几率。

使用标准指标-数字偏好评分、异常值比例和SDs评估人体测量的质量[ 12］．应用MONICA程序计算身高和MUAC的数字偏好得分，该程序根据样本的大小和测试的df调整卡方统计量。数字偏好得分为0表示分布均匀，且数值越不平衡越高[ 13］．按身高体重或按身高体重 z得分(WHZ)和身高/年龄或身高/年龄 z评分(HAZ)采用WHO生长标准计算[ 14］．使用两种方法计算离群值:(1)固定排除WHZ值<−5或>5和HAZ值<−6或>6;(2)从观测中位数中灵活排除WHZ值和HAZ值<−3或>3。的范围之外的测量值 z可生成评分(长度:小于2岁儿童45-110厘米;身高:65-120厘米(> - 2岁)也被排除在外。在排除异常值后，评估MUAC、WHZ和HAZ分布的SDs。

测量的准确性通过Bland-Altman图进行视觉评估[ 15，以评估准确性是否在不同儿童体型中保持不变，并观察随机偏差。对于Bland-Altman图的y轴，从自动扫描估计中减去人工测量，对于x轴，使用人工和扫描估计的平均值。平均偏倚被评估为系统偏倚的度量(公式1)。一致性极限(LoAs)，即个体差异的95%精度区间，被计算为随机偏倚的度量。方差差的皮特曼检验[ 16]被用来测试准确性和孩子的大小之间的相关性。TEM是一种用于表示误差幅度的精度指标，其计算方法如Ulijaszek和Kerr [ 17(公式2)。对所有同时进行扫描和手工测量的儿童进行分析，并根据测量位置对应的团队、性别和年龄组进行分类(长度:6-23个月;身高:24-59个月)。

在哪里 N儿童的数量， 米_{我 1}扫描测量是否适用于儿童 我, 米_{我 2}是同一子节点的手动测量值。

总的来说，在分析过程中发现了2个不同的数据捕获问题。首先，AutoAnthro软件通过测量儿童3D图像上参考标记之间的距离来估计身高、长度和MUAC。对用于生成扫描值的3D图像的视觉检查表明，在某些情况下，软件在背景中识别出了一个护理人员，导致了一个错位的参考标记，这通常会导致异常值估计。其次，扫描和人工测量使用唯一的ID号连接起来。为每个孩子确定年龄、性别和体重，并通过扫描和手动测量分别输入。对于选定的儿童，儿童id在2个数据集中匹配，但年龄、性别或体重不一致，这表明扫描和手工测量之间存在潜在的不匹配。为了评估这两个数据捕获误差的影响，在排除性别、年龄(>6个月)或体重(>5公斤)等异常值或不匹配的记录后，还计算了Bland-Altman图和所有准确性指标。

为了评估测量差异对每种衍生营养指标(WHZ、HAZ和MUAC)分类的影响，使用手工和扫描衍生测量方法将儿童分为严重、中度急性营养不良或两者均无。分类的一致性被制成表格并可视化地探索。对于WHZ和HAZ， < - 3为严重值，≥- 3和< - 2为中度值。对于MUAC， <11.5 cm为重度，≥11.5 cm至<12.5 cm为中度。所有定量分析均在RStudio (version 1.1.456 20;R统计计算基础)。对于定性分析，在深入访谈中记录了详细的笔记，并由Microsoft Teams软件提供的自动转录支持，并审查以综合关键主题。结果与定量数据进行三角测量，用于解释和解释定量结果。

约翰霍普金斯大学机构审查委员会根据DHHS条例45 CFR 46.102批准了该研究为“非人类研究”。参与研究的儿童的照顾者和关键信息提供者提供了口头知情同意。保留用于分析的研究数据被鉴定。被确定为营养不良的儿童被转送去照料，不再提供进一步的补偿。

共访问了416个家庭，其中325个(78.1%)有符合年龄的孩子并同意参与。在登记的家庭中，所有6至59个月的儿童(N=539)都进行了手工人体测量，43.4%(234/539)的儿童成功地进行了扫描测量。10.4%(56/539)的儿童看护人拒绝接受扫描捕获;此外，据报道，大量捕获的扫描未成功传输到服务器，无法从设备中恢复( 图2)．总共485个扫描被成功传输到服务器进行处理，其中373个(76.9%)来自唯一的孩子(当进行多个扫描会话时，它们被组合起来以产生对孩子的单个估计)。在合并会议和删除低质量扫描后，265人的扫描估计可用，其中234人(88.3%)可以与人工测量相匹配。中表S1提供了按集群划分的可用数据的详细分类 多媒体附件1．

在手动和扫描测量的最终样本中，来自男性参与者(119/234,50.9%)和女性参与者(114/234,48.7%)的比例大致相等，三分之二(154/234,65.8%)来自24至59个月的参与者。使用人工测量时，WHZ分类的消瘦患病率(46/234,19.7%)超过了体重不足(40/234,17.1%)或发育不良(32/234,13.7%);未发现有水肿的儿童。在比较有和没有扫描测量的儿童的人口统计学特征和营养状况时，除了平均年龄外，没有显著差异;两项测量的儿童年龄均较大(31.7,SD 14.9个月vs 28.9, SD 14.5个月; P= .03点; 表2)．然而，扫描测量的可用性与团队( P<.001)，其中小组1测量的81%(69/85)的儿童成功传输了扫描，而小组6测量的儿童只有4%(3/81)。在多元逻辑回归中，团队扫描测量的可用性差异仍然显著，而儿童特征(年龄、性别、身高/长度和MUAC)与扫描可用性无关(表S2) 多媒体附件1)．

对整个样本以及与扫描衍生测量相匹配的子集进行手工测量的质量评估。在拥有手工和扫描数据的儿童中(234/539,43.4%)，与扫描数据相比，手工测量的身高/长度数字偏好得分几乎是手工测量的两倍(13.5 vs 6.8)， MUAC测量的数字偏好得分几乎是扫描测量的三倍(19.6 vs 6.6)，这表明手工人体测量学家的终端数字更四舍五入。对于所有其他质量度量，手动度量优于扫描派生的度量。对于采用两种测量方法的儿童，从手动测量中没有确定有固定排除的异常值，只有11个确定有灵活排除的异常值(WHZ n= 3,27%， HAZ n= 8,73%)。相比之下，对于扫描衍生测量，应用固定排除法识别出29个异常值(WHZ为n= 13,45%， HAZ为n= 16,55%)，使用灵活排除法识别出61个异常值(WHZ为n= 22,36%， HAZ为n= 39,64%)。所有儿童的MUAC (2.33 vs 1.26)、WHZ (1.56 vs 1.16)和HAZ (1.75 vs 1.23)的扫描衍生测量的SDs明显比手工测量更宽，在年龄较小的儿童中观察到同样的模式，对他们来说测量可能是一个更大的挑战。对于所有质量指标，当扫描测量的质量指标与所有儿童样本(N=539)进行手工测量( 表3)．

扫描测量精度的分析使用更新的测量结果，这些测量结果上传到基于云的服务器以进行自动处理。对现场可获得的实时扫描测量数据进行了审查，以确认是否遵守协议，以确保扫描测量数据不与手工人体测量学家共享(图S1) 多媒体附件1)．只有4个高度/长度和3个MUAC手动和实时扫描测量结果完全匹配，为测量的独立性提供了证据。手动扫描和实时扫描的高度/长度相关性为0.54,MUAC为0.17。

使用Bland-Altman图目视检查准确性( 图3)．当使用所有扫描时，高度/长度测量的平均偏差(cm)为−0.5 (95% CI−2.0至1.0)，MUAC (95% CI 0.4-1.0)为0.7 (95% CI 0.4-1.0)。 表4)．对于高度和长度，48.7%(114/234)的扫描测量值高于手工测量值或为阳性，95%的LoA在−23.9 cm和22.9 cm之间。对于MUAC, 67.9%(159/234)的扫描测量值高于手工测量值，95% LoA为−4.0 cm至5.4 cm。对于两个指标，皮特曼检验均有统计学意义( P<.001)，表明儿童大小的准确性差异。所有儿童身高/身高的平均差异均为负，但24至59个月的儿童与6至23个月的儿童相比差异更大，而MUAC的情况则相反。有趣的是，就身高/长度而言，女性参与者的loa比男性参与者窄(图S2) 多媒体附件1)，但平均差异更大(−1.1 vs 0.1);MUAC准确性的性别差异不太明显。

由于扫描样本较小(n=3)，准确性指标在各个团队之间差异很大。在身高/长度方面，第5组的平均差异最大(−3.8)，第1组(−0.2)和第3组(0.2)的平均差异最小。团队5的95% loa宽度(- 42.8到35.2)几乎是团队1的3倍。对于MUAC，团队1到4的平均差异为正，而团队5的平均差异为负，团队5的95% loa(- 7.2到4.8)超过了所有其他团队( 表4)．人工测量和扫描测量之间的相关性差异由团队在图S1中可视化 多媒体附件1．

鉴于总体样本中观察到相对较宽的loa，使用灵敏度分析来探索扫描衍生和手动测量的数据捕获和匹配中的潜在错误对整体精度的影响( 表4及图S3 多媒体附件1)．当排除离群值(n=19)和不一致对(n=63)时，95% LoA降低(高/长- 11.9 cm至11.4 cm, MUAC - 3.5 cm至5.1 cm)。身高/长度的平均差值减小到- 0.2 (95% CI - 1.2至0.7)，而MUAC的平均差值略有增加;皮特曼检验对两个指标仍然显著。

各年龄段儿童身高/身高TEM均为8.4 cm;TEM与SD类似，表明3名儿童中有2名儿童的扫描测量值在手工测量值的-8.4 cm至+8.4 cm范围内，95%的儿童在-16.8 cm至+16.8 cm范围内。24至59个月的儿童、男性参与者和第5组的身高/长度TEM较高。去除标记和不一致对时TEM最低(4.2)。所有儿童MUAC TEM均为1.8 cm，年龄和性别差异较小。MUAC第5组TEM最高;排除标记值和不一致值后，MUAC的透射电镜降至1.6 cm。

对每个指标(WHZ、HAZ和MUAC)对营养状况分类的测量差异的影响进行了表征。分别使用扫描和手工测量方法将儿童分为严重、中度和正常，并将这些分类进行比较( 图4)．WHZ组有66.7% (156/234)，HAZ组有61.9% (145/234)，MUAC组有77.4%(181/234)。然而，在手工测量的低WHZ(< - 2)儿童中，只有32%(18/56)的儿童被扫描测量确定为浪费。同样，在发育不良(HAZ <−2)和消瘦的MUAC (MUAC <125 cm)儿童中，分别只有23%(9/40)和14%(3/22)通过扫描测量确定为发育不良和消瘦。

关键信息提供者指出了现场数据收集中可能影响设备性能的几个独特问题。以下部分将重点介绍与(1)beta测试或验证设备算法，(2)培训和现场监督，(3)数据捕获或现场工作，以及(4)数据传输相关的问题。

第三代软件包括旨在完全自动化的主要软件更改以及向Android平台的过渡。然而，COVID-19大流行和由此产生的社会距离政策限制了开发人员测试和改进新算法的能力，就像他们在之前对软件进行实质性修订后所做的那样:

用于验证算法的儿童的年龄可能特别相关，因为软件对仰卧位测量的年幼儿童(软件识别出了儿童的脚跟)与站立位测量的大儿童(软件识别出了地板)的操作方式存在差异。在南苏丹进行的Beta测试显示，该软件识别儿童仰卧姿势的能力更加不稳定。在实地工作开始之前，算法被进一步调整。然而，开发人员报告说，在部署设备之前在美国进行进一步的beta测试将是有价值的，特别是考虑到向南苏丹推广软件更新的挑战。

除了初始beta测试中包括的儿童的人口统计数据外，与大流行相关的旅行限制意味着，所有验证算法的预研究测试主要是在美国光线充足的室内空间进行的。为解决这一问题，于2021年6月和2021年7月在南苏丹进行了一项试点研究。Malakal的数据收集被推迟了几个月，让开发人员有时间更新软件，以解决数据收集前发现的问题(例如，扫描捕获需要较长时间)。捐助者的最后期限使开发人员无法在实地测试更新的软件之前花更多的时间来改进算法。

在研究期间，南苏丹要求对国际旅行者进行为期两周的隔离，这使得BST开发人员无法像以往调查中那样前往进行培训和实地监督。与以往对AutoAnthro技术的评估不同，来自美国的BST团队通过网络视频会议对培训人员进行了培训。这被认为是一个主要障碍，因为它限制了在培训期间快速识别数据捕获中的小错误的能力，以及对技术故障排除的支持。

在枚举人员练习对儿童进行扫描时，远程培训的局限性尤其相关。远程观测这些测量结果被证明是不切实际的:

在对枚举员进行培训期间，每个小组都确定了一名人员接受AutoAnthro技术培训。枚举人员认为，培训所有枚举人员可使他们更好地相互支持;特别是，团队领导(没有接受过软件或定位方面的培训)感到没有权力监督团队扫描的质量。在之前的研究中，所有团队成员都接受了技术培训:

关键的举报人，包括枚举人员和BST开发人员，认为可以通过增加持续时间和改进培训材料和协议来改进培训。虽然本研究的培训时间与之前对AutoAnthro技术的评估时间相似，但回顾起来，关键信息提供者认为培训时间过短。此外，培训是用英文编写的手册组织的，其中很少有照片。由于大多数枚举人员不讲英语或将英语作为第二或第三语言，建议编写更直观的田野手册。最后，对手工和扫描测量进行了标准化测试(每个计数员对10名儿童进行两次测量)，但仅对手工结果的准确性和精密度进行了评估，这被认为是一种限制。

数据收集发生在南苏丹的夏季，那里的温度一直是38°C，在数据收集的许多天里，团队都遇到了倾盆大雨。当天气晴朗时，扫描通常在室外阳光直射下进行。当下雨时，扫描通常在室内进行，门窗关闭，以防止水进入，空间和光线都受到限制。枚举人员强调，小空间和低光照条件是获得成功扫描的关键障碍:

在这些条件下进行了有限的测试;然而，开发人员认为这两者都不应该影响扫描性能:

枚举人员注意到的另一个挑战是，手机经常过热，关机，读数无效，这是以前的研究或压力测试中没有观察到的问题。然而，调查前的压力测试限制在2小时，而实地工作每天持续8小时。关键消息人士指出，3D扫描仪的最高工作温度为95°F(35°C)，温度的大幅波动会影响扫描仪中用于评估距离的三角函数(例如，影响摄像机和红外光发射之间距离的校准)。然而，他们不确定在高于最高工作温度5°F的情况下操作设备是否有意义:

用于分析的扫描是自动处理的，但为了了解错误的来源而手动检查。发现的2个最常见的问题是扫描时儿童的脚被遮挡(影响身高和长度测量)，以及枚举器太靠近儿童，以至于算法将枚举器的手臂误认为儿童的手臂(影响MUAC测量)。不寻常的光照条件也会影响扫描，但观察到的频率较低:

最后，普查人员指出，照护者拒绝的情况非常罕见。尽管在拍摄幼儿，特别是裸体幼儿的照片方面存在文化敏感性，但他们通常能够让护理人员放心，向他们展示3D模型(而不是照片)，最终大多数护理人员都同意了。然而，孩子有时会哭泣和发脾气，基于此，照顾者会撤回同意。据普查人员称，在试图捕捉2岁以下儿童的扫描时，通常会观察到这种情况，这些儿童需要平躺在他们的背部，手臂伸展，最好与他们的照顾者分开。

在数据收集结束时，由研究协调员进行数据传输;由于连通性，由枚举人员每日上传是不可行的。在传输过程中总共丢失了198个扫描。开发人员无法复制传输过程中观察到的错误，因此错误发生的来源尚未确定。根据保留的元数据，开发人员认为扫描没有被捕获的可能性比扫描传输失败的可能性更大(例如，子节点被定位，但扫描获取没有成功启动):

本研究评估了使用第三代AutoAnthro技术计算的6至59个月儿童扫描人体测量数据的准确性。该版本的AutoAnthro系统旨在优化3D成像技术，以便在非研究环境中大规模采用，包括南苏丹农村等艰苦环境。与以前在受控环境下的试验相比，但与其他有效性评估一致，扫描衍生测量的质量远远低于手工人体测量[ 7， 8］．在我们的研究中，通过扫描得出的测量结果在生物学上是不可信的，因为超过1 / 20的儿童采用了世界卫生组织推荐的临界值[ 11］．虽然身高/长度测量和MUAC测量之间的平均差异都在1厘米以内，但只有1 / 5的身高测量和1 / 3的MUAC测量与人工测量相差1厘米。在MUAC中观察到的95% LoAs的半宽是MUAC的>5倍，在高度/长度上比之前的疗效研究中观察到的宽近20倍[ 7］．此外，误差的大小与孩子的大小有关，在个子较高的孩子和臂围较大的孩子中观察到的误差更大。观察到的差异之大导致了营养不良的不良分类;使用当前版本的AutoAnthro技术，大多数患有消瘦和发育迟缓的儿童都无法被识别出来进行转诊。

2019冠状病毒病(COVID-19)大流行的背景以及南苏丹资源匮乏的环境突出了之前使用3D成像技术未发现的后勤挑战，这可能导致了我们在研究中观察到的低准确性。由于拒绝率较高，扫描质量较差，大量扫描未成功传输，研究中10个儿童中只有4个成功处理了扫描。虽然在以前的3D扫描技术研究中报告了较高的拒签率，但南苏丹问题的严重程度是明显的[ 5， 8］．与COVID-19大流行相关的社会距离令限制了儿童数量，特别是年龄较小的儿童，在开始实地试点和数据收集之前，以仰卧位测量可用于验证设备算法的儿童数量。此外，由于全球COVID-19旅行限制，BST开发人员无法进行面对面培训或向IMC IT人员或枚举人员提供实时反馈。从软件开发人员和用户的角度来看，这两个因素都被视为AutoAnthro评估成功的关键障碍。

虽然定量分析记录的准确性太低，目前无法支持AutoAnthro软件的广泛采用，但关键的线人访谈提供了可能改善扫描捕获和处理的投资的见解。关于软件平台，还需要进一步改进，以确保扫描可以在低带宽网络上成功传输，并且在极端光照条件下(阳光直射或极弱光)捕获的扫描可以顺利处理。为了支持向完全自动化的过渡，枚举员和现场监督员审查扫描和元数据的能力比Conkle等人在研究中评估的以前版本的技术更受限制[ 7]和Bougma等人[ 8］．尽管自动化对于大规模采用是必不可少的，但重新审视设备上仍然可供枚举人员和现场监督人员使用的信息可能是确保现场团队能够帮助确保扫描结果被很好地捕获并成功保存的关键。此外，授权团队指出应该保留哪些扫描进行分析可能进一步有助于解决已确定的扫描质量障碍。研究小组使用实时的、扫描得出的高度/长度估计值来告知他们是否应该收集额外的扫描。分析方法是先验确定的，使用所有扫描值的中位数，而不需要枚举人员在现场挑战时输入。对算法进行调整，允许团队指出应该丢弃的扫描，这可能有助于提高准确性。

此外，需要进一步改进培训材料，以确保在没有BST团队直接支持的情况下更优地实施;这最终将需要允许大规模使用。培训方案和材料的更新可通过翻译成当地语言和提供更多插图来支持不讲英语和文化水平低的普查人员。保证充足的练习时间也很重要。与之前的研究一致，我们认为需要进一步指导现场条件下的扫描捕获和定位(如低光、小空间和阳光直射)[ 18］．如果扫描时，孩子的头、脚和手臂清晰地在画面中，没有被计数人员或护理人员遮挡，质量是可以接受的。扫描的可用性和准确性都与枚举团队密切相关，尤其是比测量儿童的任何特征更重要。虽然这项研究并没有将软件、硬件和用户对设备精度的贡献孤立开来，但团队在精度上的巨大差异有助于说明数据采集(例如，儿童相对于扫描仪和护理人员的定位、照明控制、对空间限制的适应和其他环境因素)如何影响扫描衍生的测量。在某种程度上，用户的变化可以通过训练中的额外改进来控制，这可能为未来的性能改进提供机会。

本研究至少有六个局限性。首先，超过三分之一的采样儿童的扫描没有成功传输到云服务器，也无法从设备中恢复。虽然扫描的成功传输与儿童人口特征或营养状况无关，但数据的丢失导致样本量较小，计划分析的能力有限。其次，为了确保手工测量和扫描测量正确匹配，将儿童的年龄、性别和体重输入两个数据集以及儿童识别号码。然而，对于许多身份证号码匹配的儿童来说，这些其他值并不完全匹配，这引发了人们对两个测量值是否真的来自同一个孩子的担忧。第三，以人工测量作为评估扫描测量结果的标准;然而，有一些终端数字偏好评分的迹象，WHZ和HAZ值的SD超过1.1，表明潜在的测量误差[ 11， 19］．第四，考虑到人道主义背景，没有收集重复的手动或扫描测量结果。因此，我们无法评估这些测量的可靠性。第五，在纸质表格上记录了每户所测量的合格儿童人数的信息。5组的表格在暴雨中被损坏，因此这些组的拒绝总数未知。最后，研究样本的独特之处在于，样本人群来自单一的国内流离失所者地点，数据收集发生在COVID-19大流行期间，这两个因素都可能影响研究结果对其他人群和时期的适用性。

这项研究是基于对3D成像技术的浓厚兴趣、轻量级硬件的潜在用途、强大的用户可接受性以及支持相对于手动人体测量术的潜在时间节省的证据而发起的[ 20.］．先前在受控环境下的研究提供了证据，重复扫描可以可靠地估计身高/长度和MUAC，这表明3D成像技术有潜力替代人工测量[ 7］．这项研究旨在评估这些结果是否可以在扫描处理的完全自动化以及对训练和数据收集的最小监督的情况下大规模复制。鉴于扫描捕获通常比手动测量花费的时间更少，并且简化了现场工作，枚举人员对设备性能良好的总体兴趣进行了沟通。然而，我们的研究结果表明，由AutoAnthro产生的扫描衍生测量结果的准确性不足以广泛采用。开发人员普遍认为他们需要更多的时间来测试和改进培训和软件;大流行和财务障碍使他们无法确保软件在最终测试前按预期工作。需要对软件算法进行进一步投资，以解决扫描捕获和传输的问题，以确保扫描可以在困难的现场环境中捕获(例如，极端光照条件和温度条件)，并在低带宽网络上有效传输。此外，还提议修订软件，以便赋予实地枚举员和监督员权力，包括就地保留数据，以便利实地审查扫描捕获的完整性和质量。最后，不同团队在准确性上的差异证明了在训练上的投资也可以提高表现。