这是一篇根据创作共用署名许可协议(https://creativecommons.org/licenses/by/4.0/)发布的开放获取文章,允许在任何媒介上不受限制地使用、分发和复制,前提是正确引用了首次发表在JMIR公共卫生和监测上的原创作品。必须包括完整的书目信息,https://publichealth.www.mybigtv.com上的原始出版物的链接,以及此版权和许可信息。
中国现行校本传染病综合征监测系统的不足之处在于依赖校医手工采集数据,忽视在校生的健康信息。
本研究旨在设计并实现基于缺勤率(通过人脸识别收集)和在校学生体温(通过热成像测量)的流感SSS。
SSS是通过扩展现有应用程序的功能实现的。该制度在长三角地区的2所小学和1所初中实施,共计3535名学生。考试周期为2021年3月1日至2022年1月14日,有效天数为174天。系统报告的每日和每周缺勤率和发烧率(DAR1和DFR;计算WAR1和WFR)。以校医上报的每日和每周缺勤率(DAR2和WAR2)和每周流感病毒阳性率(WPRIV,由中国国家流感中心发布)为标准,评估系统上报数据的质量。
校医报告的缺勤率(完整性86.7%)是本系统报告的缺勤率(完整性100%)的36.5%,两者之间存在显著正相关(
数据表明,基于人脸识别的缺勤率计算是可靠的,但红外体温计记录温度的准确性有待提高。与同类SSSs相比,该系统具有简单性、成本效益、数据质量、灵敏度和及时性等优点。
学龄儿童易患流感。在流感季节,5至14岁儿童的流感发病率介乎17.31%至46.61% [
缺勤是世界卫生组织推荐的流感监测指标,也是校本综合征监测系统(SSS)采用的重要决定因素。1979年,彼得森等人[
缺勤可分为三种类型:全因缺勤、疾病缺勤和综合征缺勤[
学校发生的传染病突发公共卫生事件占全国年度突发公共卫生事件总数的85.64% [
利用人工智能和信息技术代替人工方法收集缺勤数据,同时考虑在校学生的健康信息,对于解决当前中国SSS的发展困境具有重要意义。为此,设计并试运行了基于人脸识别和热成像的SSS,实现了身份、缺席和温度数据的同步采集。自2020年11月以来,该系统已在长三角地区的3所哨校运行。导出该系统在2021年3月至2022年1月期间收集的这3所学校的数据,进行2个方面的调查。首先,以往研究中探索的人工收集旷工数据的替代方法产生了大量错误数据[
提议的SSS基于一款名为“小练行”(XLX)的应用程序[
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(
小练行系统工作流程。
学生日缺勤率与体温的统计界面。
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[
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[
其次,根据DAR1的时间序列图(
三所学校的DFR时间序列图如图所示
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(
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
A、B、C学校系统上报的每日缺勤率时间序列
系统(DAR1)和校医(DAR2)报告的每日缺勤率的时间序列。DAR:每日缺勤率。
3所学校日发热率时间序列。
A学校每周流感病毒阳性率、每周缺勤率、每周发烧率。
B校每周流感病毒阳性率、每周缺勤率、每周发烧率。
C学校每周流感病毒阳性率、每周缺勤率、每周发烧率。
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(
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(
系统在第一阶段和第二阶段报告的3所学校的每日缺勤率和每日发烧率。
学校 | 总数 | 报名人数 | 入学率(%) | 每日缺勤率(%) | 每日发热率(%) | |||||||||||||||
|
|
|
|
最低 | 最大 | 的意思是 | 最低 | 最大 | 的意思是 | |||||||||||
|
||||||||||||||||||||
|
一个 | 1861 | 1861 | One hundred. | 0.86 | 4.19 | 1.63 | 0 | 8.22 | 1.87 | ||||||||||
|
B | 1100 | 1100 | One hundred. | 0.82 | 31.09 | 11.14 | N/A一个 | N/A | N/A | ||||||||||
|
||||||||||||||||||||
|
一个 | 1954 | 1954 | One hundred. | 1.07 | 5.63 | 2.55 | 0 | 8.34 | 2.12 | ||||||||||
|
B | 1154 | 1153 | 99.91 | 1.21 | 15.70 | 4.23 | 0.17 | 8.07 | 2.44 | ||||||||||
|
C | 427 | 423 | 99.06 | 1.42 | 16.08 | 6.75 | 0 | 5.67 | 1.19 |
一个N/A:不适用。
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(
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(
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 (
B学校在第42周和第43周出现WAR1峰值(
C学校监测周数较少,监测期间C学校WAR1呈上升趋势(
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
周缺勤率、周发热率与周流感病毒阳性率的相关性分析。
变量 | 每周流感病毒阳性率 | ||||||||
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
A学校每周缺勤率 | 0.662 | < |
0.638 | < |
0.654 | < |
0.674 | < |
|
B学校每周缺勤率 | 0.334 |
|
0.268 | 收 | 0.391 | 13。 | 0.442 | .09点 |
|
每周缺勤率C | 0.771 | .009 | 0.728 | 02 | 0.444 | 2 | 0.222 | 54 |
|
A学校每周发热率 | -0.368 | 03 | -0.367 | 03 | -0.387 | 02 | -0.363 | 03 |
|
B学校每周发热率 | 0.492 | 0。 | 0.589 | 02 | 0.557 | 03 | 0.618 | . 01 |
|
学校每周发热率C | 0.229 | 票价 | 0.307 | .33 | 0.056 | .86 | -0.002 | >。 |
|
A学校每周缺勤率及发烧率 | 0.058 | .74点 | 0.045 | .79 | 0.038 | 点 | 0.069 | i = |
|
B学校每周缺勤率及发烧率 | 0.6 | . 01 | 0.635 | .008 | 0.687 | .003 | 0.767 | 措施 |
|
每周缺勤率及发烧率 | 0.686 | 03 | 0.664 | .04点 | 0.317 | .37点 | -0.333 | .35点 |
|
|||||||||
|
A学校每周缺勤率 | 0.58 | .007 | 0.55 | . 01 | 0.59 | .006 | 0.648 | .002 |
|
B学校每周缺勤率 | 0.429 | 厚 | 0.406 | 13。 | 0.4 | .14点 | 0.379 | 16 |
2017年,格罗斯克洛斯和巴克里奇[
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[
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[
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[
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[
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[
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。
每日缺勤率
日发热率
综合征监测系统
每周缺勤率
每周发热率
每周流感病毒阳性率
本研究由中国江西省集安市科学技术局资助(授予集安市科学技术局2020-05项目)。我们感谢杭州汇北科技有限公司在开发和实施系统方面的合作。在此,我们也要感谢所有参与这项研究的三所学校的家长、老师和校长。我们也感谢中国国家流感中心提供的流感监测数据。
没有宣布。