这是一篇开放获取的文章,根据创作共用署名许可(https://creativecommons.org/licenses/by/4.0/)的条款发布,允许在任何媒介上无限制地使用、分发和复制,前提是正确引用最初发表在《医学互联网研究杂志》上的原创作品。必须包括完整的书目信息,//www.mybigtv.com/上的原始出版物的链接,以及此版权和许可信息。
随着新型冠状病毒感染症(COVID-19)疫情的加剧,医院急诊科外检疫所的负担日益加重。为解决检疫站筛查工作量大的问题,所有持有医疗执照的工作人员都必须在检疫站轮班工作。因此,有必要简化各个亚专科的医生和外科医生的工作流程和决策过程。
本文的目的是展示国立成功大学医院的人工智能(AI)三部曲如何转向智能检检站,人工智能辅助图像解译,以及内置的临床决策算法,以改善医疗保健并减少检疫处理时间。
这项关于新出现的COVID-19大流行的观察性研究包括643名患者。在新冠肺炎疫情期间,应用智能检疫站分流、人工智能辅助图像解译、平板电脑内置临床决策算法等“人工智能三部曲”,缩短了检疫调查流程,缩短了处理时间。
使用人工智能三部曲有助于处理有或无症状的COVID-19疑似病例;使用平板电脑设备获取旅行、职业、接触和聚类历史。智能临床辅助系统(SCAS)中合并了一个单独的ai模式功能,该功能可以快速识别胸片上的肺渗透,随后使用GitHub开源数据集中的COVID-19肺炎病例对该模型进行训练。前后胸片检出率分别为55/59(93%)和5/11(45%)。SCAS算法根据台湾疾病控制中心公共安全指南的更新不断进行调整,以更快地做出临床决策。我们的体外研究证明了用75%酒精消毒剂擦拭平板电脑表面两次的消毒效率。为了进一步分析AI应用在检疫站的影响,我们将检疫站分组细分为有AI和没有AI的组。与常规ED (n=281)相比,检疫站(n=1520)的调查时间显著缩短;急诊室的调查时间中位数为153分钟(95%置信区间108.5-205.0),而检疫站的调查时间中位数为35分钟(95%置信区间24-56;
人工智能三部曲缩短了检疫调查流程,缩短了处理时间,改善了我们的医疗工作流程,这在新发传染病流行期间尤其重要。
2019年12月,中国湖北省武汉市发现了一起地方性肺炎疫情。最初不明原因的肺炎,很快被确定为由一种新型冠状病毒引起[
COVID-19被认为对人类具有很强的传染性[
为应对疫情,台湾政府迅速、高效、精准地作出反应[
为了改善NCKUH的COVID-19感染调查工作流程和效果,在急诊室外和邻近地区采用了AI三部曲政策。三部曲的三个部分是:将疑似COVID-19患者转移到检疫站;在平板电脑上进行旅行、职业、联系和集群(TOCC)调查;以及在智能检疫站使用临床策略决策算法的人工智能辅助图像判读功能。这些步骤共同促进了有或无症状疑似病例的筛查和调查过程,以及在NCKUH收集TOCC病史。
台南医院是传统文化名城台南最大的转诊医疗中心和教学医院。台南是台湾第六大城市,人口188万。NCKUH有三个主要的护理设施:一个设有短期病人护理和临床实验室的门诊大楼;住院楼:长期护理、重症监护室和外科病房所在的住院楼;NCKUH每天有5000人次门诊就诊,1300张住院病床,还有300名急症重症患者,NCKUH明白有必要防止新出现的传染病流行成为当地的灾难,并使医疗系统负担过重。台湾从2003年严重急性呼吸综合征冠状病毒(SARS-CoV)疫情中吸取的经验教训,在当前的COVID-19疫情中取得了巨大的成果。为应对预计大量与covid -19相关的医院就诊并预防院内暴发,在急诊科附近建立了一个检疫站。根据《武汉肺炎检疫行动》,南京医院立即建立了8个临时战时检疫帐篷。与此同时,在这些战时帐篷附近建立了一个长期隔离的永久性结构住房设施(
成功大学医院检疫站。急诊室。
由于COVID-19疫情迅速成为流行病,并对我们的工作人员和患者构成了高风险的暴露威胁,NCKUH紧急启动了一项工作流程调查。访问检疫站的患者被要求完成一份问卷,其中包括他们的TOCC史以及任何慢性疾病、症状或体征。在他们输入任何私人信息之前,患者签署了同意书,允许我们使用他们的数据和基线特征进行后续的工作流程分析。调查时间定义为患者完成TOCC病史所需时间的总和,包括护士的书面记录和病史记录;胸部x线检查所需时间,并有相关问诊和专家讲解;以及根据台湾疾控中心建议的病人工作流程,与检查医师重新讨论医疗决定的时间。
医生将决定病人是否应该住院、挂号或在家自我护理康复。此外,NCKUH的工作人员可以使用平板电脑访问电子医疗记录以及胸部x光的医疗人工智能放射组学,以提醒放射科医生和肺部医生比平时更早地筛查肺炎补丁。最后,嵌入式临床决策算法协助工作人员评估潜在病例;这对不熟悉新出现病毒的医生也很有用。此程序每日更新,使用台湾卫生福利部与台湾疾病预防控制中心合作的最新指南。
为了评估我们的消毒过程是否能有效地清除平板电脑表面任何可能的SARS-CoV-2污染,我们在NCKUH P3实验室的一台电脑上喷洒了20微升阳性SARS-CoV-2病毒溶液,进行了体外研究。在电脑表面风干30分钟后,由技术人员擦拭,获得第一个样本(V0),它表示首次接触病毒后的表面病毒载量。在采集V0样本后,技术人员使用75%酒精模拟现行台湾疾控中心指南中推荐的消毒程序。分别用75%酒精消毒1次和2次后采集V1和V2样品。通过使用LightCycler 480 II PCR平台(Roche Holding AG)测定COVID-19 Genesig RT-PCR法(Primerdesign Ltd)的交叉点(CP),即实时聚合酶链反应(RT-PCR)扩增曲线的最大二阶导数,以获得平板电脑表面的病毒载量。RT-PCR结果的扩增曲线CP <45为阳性病毒载量。两个特定的基因,RNA依赖的RNA聚合酶(RdRp)和包膜(E)基因,同时测定以确定结果。
COVID-19肺炎的放射学病程较严重急性呼吸综合征(SARS)和中东呼吸综合征(MERS)肺炎轻;韩国只有33%的新冠肺炎病例和中国只有60%的病例报告胸片异常[
胸部x线分析的人工智能模型的开发可以减轻医务人员的负担,并能够更快速地对患者进行分类。为了检测肺炎部位的精确位置,我们采用了带有类注意图的分割模型[
基于U-Net的肺炎分割模型。采用ResNet-50作为编码器骨干模型。在每个ResConv块中添加挤压和激励块,以增强从特征图中提取的特征。采用跳跃式连接将上采样后的编码器特征图与解码器特征图进行连接。Conv:卷积;ResConv:剩余卷积。
Conv块使用3 × 3卷积块和批量归一化[
将SE块添加到剩余卷积块的模型。Conv:卷积;SE: squeeze-and-excitation。
后
该模型的输出掩模包含两个不同的预测因子:肺炎和GGO。我们使用多个包围框来标记所有病变或尽可能多的病变。由于可以在同一位置观察到不同的疾病,我们使用sigmoid激活函数来利用两个1 × 1的卷积核,一个用于检测肺炎,一个用于检测GGO。接下来,我们使用像素级二进制交叉熵训练这个模型,然后最小化损失函数,如下所示:
在哪里
从2020年1月31日至3月17日,患者可以在NCKUH ED或检疫站走三条路线。路线1为传统的ED路线,不包含AI和智能设备app;在晚上8点到早上8点之间没有检疫站服务的患者遵循这一路线。2号路是没有AI和智能设备app的检疫站;大多数患者在2020年1月31日至2月5日期间遵循了这一路线。2020年2月5日至3月17日,3号路是有AI和智能设备应用程序的检疫站,主要是患者跟随。为了比较基线特征,我们将2号路线和3号路线合并为一般检疫站路线。1号路被认为是传统的ED筛查路径。关于患者既往病史的数据,包括冠状动脉疾病、糖尿病、高血压、慢性阻塞性肺疾病、潜在恶性肿瘤以及伴有或不伴有终末期肾脏疾病的慢性肾脏疾病,均来自医疗记录或SCAS数据库。患者的症状,包括呼吸困难、咳嗽、鼻塞、发烧和体温,也被单独记录。 Informed patient consent was built into the front page of the tablet computer app before the start of the questionnaire due to the urgent need to collect data while avoiding paper cross-contamination.
这项研究由研究人员设计。患者或公众在访问检疫站并同意参加调查后,在平板电脑上回答SCAS问卷。NCKUH机构审查委员会批准我们使用从检疫站获得的信息和图像(A-ER-109-149)。此外,由于大流行,不适用向研究参与者传播结果。
使用SPSS 22.0版(IBM Corporation)进行统计分析。连续数据根据分布以平均值(SD)或中位数(IQR)表示。二分类数据以n(%)表示。对于连续变量,使用Wilcoxon秩和检验或Mann-Whitney U检验进行非参数统计比较。
为了提高调查效率,以确定COVID-19感染风险,并安全减少急诊科拥挤,台湾国立医院建立了AI三部曲,包括三个部分。首先,我们使用SCAS构建了一个检疫站,以加快工作流程(
隔离站设置、智能患者处理和人工智能协同结合,提高COVID-19大流行期间患者处理的效率和安全性。ED:急诊科;TOCC:旅行、职业、联系和集群。
为了评估我们使用75%酒精消毒剂对平板电脑设备的消毒过程是否有效,并清除了设备表面的所有残留病毒,我们进行了体外研究。首先,将20微升阳性的SARS-CoV-2病毒溶液喷洒在电脑表面。随后,用75%酒精清洁及消毒电脑表面(
确定平板电脑表面消毒效率的体外研究。在消毒前(V0)以及使用75%酒精进行第一次和第二次消毒后(分别为V1和V2)从片剂表面采集样品。百分比表示阳性率(C
为了优化AI胸片的解释,我们回顾性地从我们的图像存档和通信系统中检索了4000张胸片,并确定了682张肺炎后前路胸片和692张正常后前路胸片。所有质量差的前后胸片和胸片均被排除。为了提高轻度实变的检出率,我们选择了46例CT证实的GGO和CT检查当天的后前胸片作为GGO训练数据集(
我们在胸片上快速识别肺浸润的AI模式被合并到SCAS中,使用训练数据集的AUC为0.99,敏感性为94.1%,特异性为95.1%,准确性为94.6%。
将人工智能(AI)肺炎检测模型纳入智能临床辅助系统。(A)从图片存档和通信系统中自动检索原始胸片,然后由AI模型进行解释。(B)检测到实变肺,并用热图显示病变部位。(C) AI模型识别出轻度固结GGO。CXR:胸片;GGO:毛玻璃不透明度。
AI胸片解译系统识别胸片肺浸润的AUC。AUC: ROC曲线下面积;ROC:受试者工作特征。
访问NCKUH急诊科并同意为研究提供数据的筛查人群(N=643)被分为两组:传统急诊科组(N= 281)和智能检疫站组(N= 362)。比较两组患者的基线特征
到检疫站就诊患者的平均年龄为35.6岁(SD 13.1),与传统急诊就诊患者的平均年龄(34.7岁,SD 12.3)相近。两组TOCC中最主要的特征是旅行史,其次是接触史。筛查人群的风险较低,高血压患病率较低(急诊科组和检疫站组分别为9/281,3.3%和19/362,4.4%),慢性肾脏疾病患病率较低(急诊科组和检疫站组分别为8/281,2.8%和5/362,1.5%);这表明两组人有相似的慢性疾病史。患者首发症状以咳嗽为主(ED vs检疫站:140/281,49.8% vs 226/362, 62.4%;
2020年1月31日- 3月17日新冠肺炎疫情期间在传统急诊科和智能检疫站就诊患者的临床数据比较(N=643)。
特征 | 艾德一个(n = 281) | 智能检疫站(n=362) |
|
|
年龄(年),平均值(SD) | 34.7 (12.3) | 35.6 (13.1) | .41点 | |
性别(男性),n (%) | 144 (51.2) | 165 (45.6) | 厚 | |
|
||||
|
旅行 | 10 (62.4) | 308 (49.0) | 收 |
|
职业 | 2 (12.5) | 33 (5.3) | . 21 |
|
聚类 | 1 (6.3) | 30 (4.8) | 55 |
|
联系 | 4 (25.0) | 129 (20.5) | 综合成绩 |
|
||||
|
计算机辅助设计c | 2 (0.5) | 3 (0.9) | 获得 |
|
糖尿病 | 3 (0.9) | 11 (2.5) | 。 |
|
高血压 | 9 (3.3) | 19日(4.4) | 正 |
|
慢性阻塞性肺病d | 0 (0.0) | 3 (0.7) | 56 |
|
恶性肿瘤 | 8 (2.8) | 7 (1.8) | 点 |
|
慢性肾病eESRD /f | 8 (2.8) | 5 (1.5) | .37点 |
|
||||
|
呼吸困难,n (%) | 53 (18.8) | 60 (16.4) | .74点 |
|
咳嗽,n (%) | 140 (49.8) | 226 (62.4) | 。31 |
|
鼻塞,n (%) | 88 (31.3) | 166 (45.8) | 。31 |
|
发热,n (%) | 78 (27.7) | 134 (37.0) | .37点 |
|
体温(°C),平均值(SD) | 36.9 (0.9) | 37.1 (1.7) | i = |
一个急诊室。
bTOCC:旅行、职业、联系和集群。
c冠心病:冠状动脉疾病。
dCOPD:慢性阻塞性肺病。
eCKD:慢性肾病。
f终末期肾病。
为了进一步分析人工智能应用对检疫站的影响,我们将检疫站的人员细分为使用人工智能和不使用人工智能的组。如
(A)在研究期间,使用或不使用AI的传统ED和检疫站组之间调查处理时间的比较。(B)传统ED组、无AI检疫站组、AI检疫站组调查处理次数箱形图。AI:人工智能;ED:急诊科;分钟:分钟。
在这项研究中,我们展示了NCKUH AI三部曲如何转向与SCAS相结合的智能检疫站,人工智能辅助图像解译,以及内置的临床决策算法,改善医疗护理并减少检疫站的处理时间。此外,我们的体外研究表明,在初始暴露于阳性病毒载量后,75%酒精消毒平板电脑的效率;通过应用这一程序,平板电脑对检疫站的人来说是安全的。这提高了病人的护理质量,降低了医务人员的风险。根据台湾2003年SARS的经验,急诊科病人的分流对早期管理和院内感染控制至关重要。由于医院每天的病例量很大,大多数台湾医院需要在急诊科附近设立临床检疫站,以调查疑似感染COVID-19的患者。在建立临床检疫站时,有几个因素可能对检疫站的条件不利。这些因素包括病人在检疫站内的有限空间内拥挤,交叉污染或合并感染的可能性很大,台湾疾病预防控制中心的临床指南每天都在更改和修改,备用医生缺乏对传染病控制的熟悉,以及大多数医院缺乏放射科或肺部医生来提供准确和即时的肺炎诊断。
据我们所知,这是第一次在疫情期间使用带有内置临床辅助系统的计算机智能检疫站,以加快复杂的工作流程。与传统的急诊跟踪相比,NCKUH检疫站COVID-19感染风险调查的效率显著提高了至少3倍。这些结果还突出表明,临床检疫站COVID-19感染风险调查的效率符合普遍利益,有助于解决未满足的临床需求。
急诊科大流行传染病筛查的分诊特别具有挑战性。虽然远程医疗允许患者和医生无需直接接触就可以进行沟通,但有症状或担心的患者仍然直接访问急诊科,并且可以通过现代分诊有效地筛选他们[
COVID-19大流行不仅影响着患者,还影响着全球的经济、政治和日常生活。更好地管理未来的流行病将减少这些人力和经济负担。所有医学科学人员都应从过去和现在的大流行中吸取教训,改进过去的表现,防止未来疾病暴发的灾难性后果。
我们展示了一种内置算法结合人工智能图像系统的智能设备在检疫站的可行、安全、科学的应用,方便了调查过程,避免了交叉感染,减轻了医生、护士和技术人员等团队成员的负担。这一有益进程应适用于我们今后防治新出现的地方性传染病的战略。
人工智能
疾病控制中心
交叉点
计算机断层扫描
急诊科
毛玻璃样阴影
中东呼吸综合征
国立成功大学医院
线性整流函数
依赖RNA的RNA聚合酶
实时聚合酶链反应
严重急性呼吸系统综合症
严重急性呼吸综合征冠状病毒
智能临床辅助系统
旅行、职业、联系和集群
本研究获台湾科技部资助项目109-2745-B-006-003、109-2327- b -006-005、109-2634- f -006-023、108-2314-B-006-098-MY3及教育部高等教育萌芽计划资助项目D108-G2512、D109-G4803、D109-G4804、D109-G2512予国立成功大学发展总部。我们要感谢所有在这次新出现的传染病大流行期间参与检疫站的NCKUH教职员工。感谢我们的技术人员叶春生、林毅廷和王立荣对离体研究的技术支持和建议。最后,我们要感谢Michael W Hughes教授对英文版的帮助。感谢苏培凡教授与我们讨论,并为我们提供统计咨询服务。苏培凡教授来自南京理工大学临床医学研究中心定量科学中心。
没有宣布。