提议的SSS基于一款名为“小练行”(XLX)的应用程序[ 34，可在支付宝(阿里巴巴集团控股有限公司)上免费下载。Τhe app集成人脸识别技术和红外测温技术，实现学校公共卫生智能管理。其工作流程如图所示 图1．

运营公司与学校及其上级管理机构签订了服务协议。根据协议，学校组织家长用智能手机在支付宝上注册一个账号(注册完全自愿)，然后将孩子的姓名、性别、身份证、学校名称、班级、人脸等信息输入到账号中。家长还可以使用该账号查看孩子的出勤率和体温。系统通过终端设备采集学生考勤和体温数据，终端设备由人脸识别系统(识别精度≥99.99%，三米科技集团有限公司)和红外测温仪(测量精度±0.5℃，海康威视数码科技有限公司)两个模块组成。两个模块之间使用自行设计的软件进行同步输入和上传身份、考勤和温度。数据处理中心负责对各终端上传的数据进行处理，并将不同层次的旷工、发热分析结果转发给家庭用户(家长或其他监护人)、学校用户(教师、学校卫生工作者、管理人员)、学区管理部门用户。

终端设备一般布置在校门口。学生们每天到校后，都会到这个设备前进行测试。对学生进行人脸识别，仪器自动记录学生的身份信息、出勤信息和面部温度。仅直接录取经鉴定体温正常的学生，发热(体温≥37.3℃)的学生另行处理。为了确保每个学生都接受仪器测试，学校安排了值班人员监督孩子们。学生出勤率、体温等日常信息实时传输到云数据中心。数据处理中心实时生成学生报到、体温(含红外图像)每日统计报表( 图2)，对数据进行汇总和分析，并对不同层面(个人、班级、学校、学区等)的结果进行反馈。

研究人群包括长三角地区的3所学校。A和B学校是小学。位于浙江省杭州市萧山区的A学校于2020年11月开始使用该系统的1.0版本(仅人脸识别)，2021年3月开始使用2.0版本(人脸识别和红外体温计)。位于杭州市滨江区的B学校于2021年3月开始试点系统2.0版;它允许学生使用智能卡签到，并于2021年9月开始全面使用2.0版本。C学校是位于上海市浦东新区的一所初中，于2021年10月开始使用该系统的2.0版本。

监测时间分为2个阶段，即第一阶段(2021年3月1日至6月25日)和第二阶段(2021年9月1日至2022年1月14日)。这两个阶段的有效监测时间分别为83天和91天。在第一阶段，A学校和B学校的学生人数分别为1861人和1100人。第二阶段，A、B、C学校的学生人数分别为1954人、1154人、427人，学生总数为3535人。系统收集了每个学校的以下数据:总在校生人数、每日缺勤人数、每日发烧学生人数。默认情况下，在规定到达时间后1小时内未签到的学生算旷工病例，体温≥37.3℃的学生算发热病例。

收集A校和B校(C校无校医记录)医师上报的缺勤情况作为评价系统上报缺勤质量的参考标准。校医报告的旷工被定义为“学生当天不在学校”。校医报告的数据收集于2021年9月1日至2022年1月14日。为了验证传染病监测系统的可靠性和可行性，选择流感作为目标疾病。流感活动的参考标准取自中国国家流感中心每周发布的流感监测报告[ 35］．这些周报统计数据显示了中国南方和北方每周的流感病毒(WPRIV)检测阳性率。WPRIV的计算方法为病毒阳性样本数目与提交的样本总数之比[ 36］．由于杭州和上海都在中国南方，所以周报中只使用了南方地区的数据。相应监测周为2021年第9周至2022年第5周。在此期间，中国南方流行的流感病毒株以B型为主。

本研究使用的数据是匿名的，因此同济大学审查委员会将本研究归类为非人主体研究，因此免于审批。

3所学校的每日缺勤率计算公式如下:

DAR分为两类:系统报告(DAR1)和学校医生报告(DAR2)。然后计算两个变量的相关系数。根据相关文献[ 9， 12]， DAR1超过10%则认为数据异常。对与学校有关的异常原因进行调查，如果是非传染性因素，则对异常数据进行适当的统计处理。然后绘制3个学校的DAR时间序列图( 图3)，计算3个流派间DAR的Pearson相关性，并比较各流派间DAR曲线的形态差异。我们比较了DAR1和DAR2的相关性和趋势( 图4)．

其次，根据DAR1的时间序列图( 图3)，开始日期确定为每所学校的DAR1开始稳定的日期，然后在此日期之后计算每所学校的每日发烧率(DFR)。当DFR与均值相差3个SDs时，对系统中学生的红外图像进行检测。如果问题是可操作的，则使用相应的DFR作为缺失值，并将其替换为该日期前几天和后几天的DFR平均值。假设缺勤和发烧代表不同严重程度的流感症状，缺勤代表严重症状，发烧代表轻微症状。因此，DAR和DFR的分母都被设置为总入组数。DFR的计算公式如下:

三所学校的DFR时间序列图如图所示 图5；比较了3个学校DFR曲线的形态差异，并计算了3个学校DFR的Pearson相关系数。

第三，基于DAR和DFR，计算三所学校的周缺勤率(WAR)和周发烧率(WFR):

制作了3个流派的WAR和WFR时间序列图，并比较了它们与WPRIV时间序列图趋势的符合性( 图6- 8)．

最后进行如下统计过程:(1)计算各学校的WAR和WFR之和。(2)在A学校数据的基础上，在37周初加入B学校的数据;然后在第45周再次添加C学校的数据，然后根据各学校总入学人数的权重将合并的WAR和WFR合并。(3)计算WAR和WFR的总和。同时，设置当前时间为 t；WPRIV序列提前1周( t - 1)、2周( 2)和3周( 条t - 3)．在这4种情况下，计算WPRIV与上述war和WFRs的相关性及其总和，以考察该系统获得的不同类型数据用于流感活动监测的可靠性、准确性和及时性。

在第一阶段，A和B学校的2961名学生全部在系统中注册了账号。在第二阶段，三所学校的学生总数为3535人，其中3530人(99.86%)已注册户口( 表1)．A学校的DAR在整个监测期间保持相对稳定，没有超过10%的临界阈值( 图3)．B学校DAR在第一阶段波动较大，但总体呈下降趋势。在第二阶段，大约2周后，B学校和A学校的DAR曲线相似。C学校的DAR在系统调试的前2周变化较大，大约2周后开始稳定。C学校在2022年12月24日、12月31日、1月7日和1月10日有4天DAR超过10%。这4天是周末或节假日。

在11月8日至12月20日的30个监测天内，三所学校的DAR1s与趋势非常相似( 图3)．在此期间，3对缺勤率，即A学校和B学校( r_一个= 0.508, P=.004)， B和C ( r_b= 0.427, P=.017)， A和C ( r_交流= 0.447, P=.012)，呈中度正相关。12月20日之后，3所学校的dar呈现不同趋势，其中C学校与其他2所学校差异显著。

2021年9月1日至2022年1月14日期间，A学校的学生预计上学92天，B学校的学生预计上学90天。A学校的系统和校医都记录了92天的数据。系统共挂失5128例，校医挂失1476例，占系统挂失的28.78%。在B学校，系统记录了3452次超过90天的缺勤，而校医记录了1691次超过66天的缺勤，完整性为73.3%，其中校医报告的缺勤数占系统报告的48.99%。

A学校DAR1与DAR2显著正相关( r= 0.809, P<.001)，且变化趋势高度一致。在B学校，DAR1和DAR2也显著正相关( r= 0.766, P<.001)，但在2021年11月两者之间有显著差距( 图4)．上述数据显示，校医报告缺勤(完整性86.7%)仅为系统报告缺勤(完整性100%)的36.5%，两者之间存在显著正相关( r= 0.372, P= .002)。

A学校的DFR计算时间为2021年3月1日(第9周)，B学校的DFR计算时间为2021年9月13日(第37周)，C学校的DFR计算时间为2021年11月8日(第45周)。通过对系统红外图像的调查，确认有2天(4月30日、9月18日)在A学校红外测温仪旁放置了高温物体，有1天(4月1日)红外测温仪因物理故障无法测温。在B学校，有2天(11月11日和12月29日)温度计旁边放置了高温物体。将这5天的DFR作为缺失值，用前、后两天DFR的平均值代替。

总体而言，A学校的DFR曲线类似于一条开口向下的抛物线( 图5)．这一趋势与监测期间该地区日平均气温变化趋势相似。在9月13日至10月29日的30天内，A学校的DFR始终高于B学校，在10月29日之后，这种关系逐渐逆转。C和A学校的DFR曲线更接近，两所学校的DFR也显著正相关( r_交流= 0.493, P<措施)。虽然A学校和B学校之间没有发现显著的相关性( r_ab= -0.023, P= 0.84)， B和C学校( r_公元前= 0.091, P=.54)， 3个流派的DFR曲线在部分波峰和波谷上具有一致性。

计算3个学校的WAR1s和WFRs，并绘制其时间序列图。A学校WAR1与WPRIV ( 图6)，即WAR1和WPRIV均随时间推移逐渐增加。42周后，流感活动水平急剧上升，A学校WAR1的第一个高峰出现在第46周(比WPRIV早1周)，第二个高峰出现在第50周(与WPRIV同期)。A学校WFR1的第一个峰值出现在第45周(比WPRIV早2周)。

B学校在第42周和第43周出现WAR1峰值( 图7)．在这方面的调查表明，学校在一些学生的健康守则方面存在问题;因此，B学校谨慎地允许一年级4个班的学生在家学习。B学校WAR1的第二个高峰出现在第45周，第三个高峰出现在第50周。这2个高峰时间与A学校相同，但B学校在53周出现了另一个WAR1高峰，这与A学校不同。随着流感活动水平的增加，B学校的WFR1高峰出现在45周(与A学校相同)、47周和52周。

C学校监测周数较少，监测期间C学校WAR1呈上升趋势( 图8)，与WPRIV的变化趋势高度一致。C学校WFR1的3个峰值分别出现在第45周(与A、B学校相同)、第47周和第52周(与B学校相同) 图5- 7时，WAR1与WFR的错配趋势明显。这一现象在b学校尤其明显。例如，war在第46、50和53周达到峰值，而相应的WFRs则处于低点。在第45、47和52周，WFRs达到峰值，而war1处于低谷。

在系统上报的WAR1中，只有A和C学校的WAR1与WPRIV呈显著正相关。在 t-3时，A学校WAR1与WPRIV的相关系数最高，在 t， C学校WAR与WPRIV的相关系数最高( 表2)．虽然在4种条件下B学校的WAR与WPRIV无显著相关，但相关系数的变化趋势与a学校相似，只有B学校的WFR与WPRIV呈显著正相关，最大系数为 t3所示。WFR中加入WAR1后，与WPRIV的相关性仅在b学校总和中增强。校医报告的A学校WAR1与WPRIV呈显著正相关，最大系数位于 t3所示。根据系统报告的数据计算的WAR1与WPRIV之间的相关系数高于根据校医报告的数据计算的相关系数。校医和系统报告的B校WAR1在4种情况下均与WPRIV无显著相关。

2017年，格罗斯克洛斯和巴克里奇[ 37]提出了监测系统评估框架，包括简易性、可接受性、代表性、稳定性、数据质量、及时性、灵活性、安全性、敏感性、预测值正、成本效益和标准使用等12项指标。该系统与现有类似系统的比较表明，该系统在简单性、成本效益、数据质量、灵敏度和及时性方面具有优势。

该系统操作简单，造价低。拟议监测系统的简便性体现在四个方面:数据的可用性和类型、组织和类型、数据交换和转换、人员操作和培训[ 37］．基于人工数据收集的病假监测要求数据报告人员具有广泛的医疗专业知识。因此，记者必须是校医或受过适当医疗培训的兼职工作者。另一方面，本系统的操作不需要专业人员，只需要学生按照标准站在仪器前1秒，即可自动获取所有症状数据。通过这种方式，该系统在劳动力方面具有很高的成本效益。此外，与政府主导的SSS平台研发投入大不同，该系统基于成熟的网络平台构建，具有较高的成本效益。

系统报告的缺勤率完整准确，温度完整性高，但准确性有待提高。使用指纹、智能卡或人脸识别来确保每个出席的学生都被检查和准确识别。罗培理等[ 14试图用指纹代替人工采集，但由于许多学生遗漏和核对错误而失败。在本次研究中，学生注册系统账号的比例接近100%，人脸识别技术的准确率超过99.99%，学校还安排了人员对学生进行签到监督。数据显示，系统上报的缺勤率与校医上报的缺勤率呈高度正相关，且前者的完整性高于后者。该系统还需要自信地保证每个被识别的学生的体温都被准确测量。由于人脸识别和红外测温几乎同步，温度的完整性足够，但精度有待提高。热成像的精度受仪器、环境和个别因素的影响[ 29- 31］．本研究中，只有B学校的温度符合监测要求。B学校的仪器安装在室内，并由学生严格监督。这些措施有助于减少不当测量行为，提高测量精度。今后将重点研究仪器的施工安装和操作标准的实施。

该系统具有良好的灵敏度。监测敏感性包括病例发现、疫情发现和病例定义[ 37］．现有的制度只关注缺课的学生[ 6- 12， 14- 18， 20.- 22]，而其他人也会考虑到到学校保健室的学生[ 9， 10］．在流感爆发期间，约有20%的人会出现病征，但只有约2%的人需要就医[ 38］．除非生了重病，否则学生不会旷课或去看校医。由于学业压力大，中国学生请病假旷课现象普遍，约74.7%请病假的学生旷课时间不足1天[ 26］．这可能解释了为什么校医报告的缺勤人数仅为本研究中系统报告的人数的36.5%。系统报告的A学校WAR与WPRIV之间的相关性高于校医报告的WAR与WPRIV之间的相关性，似乎支持这一结论。数据显示，在流感爆发季节，部分学校的DFR高达8%。通过调整缺勤标准和结合温度筛查，提出的系统对病例和疫情检测比现有系统更敏感。

结果也显示了良好的及时性。系统数据实时传输，自动分析。家长、教师和管理人员能够立即访问个人、班级和学校的出勤率和温度状态。Baer等[ 11)提出，缺勤的监测价值更多地在于态势感知，而不是早期发现，这一观点在中国应用时可能需要修正。本研究发现，流感活动水平较低时，三所学校的缺勤率呈显著正相关，这与Schmidt等的研究结果并不一致[ 8并指出各个年龄组的旷工情况非常相似。随着流感流行的增加，小学的缺勤率最先达到高峰，中学的缺勤率在2周后达到第一个高峰，这与Mook等人的研究结果一致[ 39］．随后，学校间旷课时间差距扩大，甚至在两所小学之间;在这一点上，施密特等人的主张[ 8确实适用。温度数据的加入增加了系统的及时性。结果表明，当准确测量学生体温时，体温可以提前3周预测流感。结合Miller等人的研究[ 32]，温度在流感监测中的时效性优势可能确实存在。因此，为了进一步提高温度数据的可靠性和准确性，今后规范仪器的摆放和操作流程是极其关键的。

第一，热红外成像虽然简单，但其精度容易受到环境因素的影响[ 29］．部分学校为了预防新冠肺炎，引入了该制度。但这些学校对疫情防控的重视程度不同，在硬件保障和运营监管方面也存在差异。这些差异导致了数据质量的差异，特别是温度数据，这阻碍了这些数据的进一步分析。第二，在监测期间，COVID-19是一个普遍问题。虽然这在一定程度上促进了系统的推广，但监测地区的COVID-19病例数量太少，不足以成为目标疾病。然而，由于选择了流感作为目标感染，流感流行的状态数据普遍受到COVID-19预防压力的扭曲。因此，在不考虑COVID-19影响的情况下，需要重新评估一些已提出的结果。最后，虽然本系统已获政府授权收集个人敏感信息，但未来国家个人信息及隐私保护政策的可能变化将对系统的运行稳定性产生重大影响。

将所提议的系统与现有的类似系统进行比较，表明其在简单性、成本效益、数据质量、灵敏度和及时性方面具有优势。本研究表明，利用人脸识别技术记录的缺席率是可靠的，但红外测温仪记录温度的准确性有待提高。基于缺勤率和温度数据的流感SSS的实施是可行的。当流感活动水平为中等时，检测到DARs之间存在显著正相关;但随着水平的提高，差异逐渐增大，小学达到峰值的时间比初中早2周左右。采用温度测量大大加强了监测及时性，可比传统系统提前3周发现流感疫情。本研究为解决开发监测系统的挑战，促进监测系统中症状数据采集的自动化提供了可行的途径。