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( 图1)．这有效地将病人从急诊科转移到隔离帐篷，缓解了拥挤的急诊科的压力。平均而言，每个医务人员估计每天要检查35至50名隔离病人。

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[ 12］．COVID-19肺炎患者即使RT-PCR检测呈阳性，胸片或计算机断层扫描(CT)图像也可能呈阴性。根据Pan等人[ 13]， COVID-19肺炎的时间进程遵循临床进展。亚临床组的CT表现为单侧和多灶性磨玻璃样影(GGOs)，立即发展为双侧和弥漫性GGOs。在症状出现约2周后，在疾病严重程度达到峰值时，图像可混合轻度实变[ 14］．在目前的实践中，胸片显示的GGOs很难解释，这可能会限制在症状出现的第一周内对COVID-19肺炎的早期诊断。随访胸椎影像学恶化提示COVID-19肺炎预后不良。因此，NCKUH设置了便携式成像设备，以加快对胸部状况的描述，并限制疑似病例的运输，以降低传播风险[ 15］．

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[ 16］．肺炎分割模型基于U-Net [ 17]，如图所示 图2．

Conv块使用3 × 3卷积块和批量归一化[ 18]，然后使用整流线性单元(ReLU)功能激活。我们还采用了残差网络ResNet-50 [ 19]，以ImageNet上预训练的权重作为模型的主干。此外，我们利用挤压-激励块[ 20.]，如图所示 图3，以便在每个剩余卷积块中捕获更重要的信息。

后 U成立之初，全球平均池在 F_平方 用于从每个特征图中获取全局信息。采用两个全连通层，利用ReLU和sigmoid函数对注意力信息进行非线性转换 F_前女友 ．所产生的注意力权重 F_前女友 被乘到特征图 U以获得更高效的特性 X '在 F_规模 ．输入 X被添加到 X '获取新的特征图 X”实现残差块。

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 NgydF4y2Ba和M分别表示输入图像的高度和宽度，和而且分别表示该像素的金标准值和预测值。

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。 P值<。5例被认为显著。

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( 图4)．SCAS是一种临床决策树算法，集成了TOCC历史记录的结构化格式、人工智能辅助的胸片解释和临床推荐的工作流程。检疫站疑似感染新冠病毒的患者使用平板电脑回答有关其TOCC史的SCAS问卷，使用者之间进行了充分的酒精消毒。为避免一线医护人员与患者交叉感染，所有医护人员均使用独立电脑。

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( 图5)．对4份未处理75%酒精的样品进行RT-PCR检测，初步结果为100%阳性。有趣的是，在平板电脑表面使用75%酒精进行第一次和第二次消毒后，RdRp基因的CP值分别为75%和0%阳性。同样，新冠病毒E基因的初始CP值为75%，在第一次和第二次酒精消毒后分别下降到50%和25%。这些结果支持了我们提出的平板电脑清洁方案，即在使用平板电脑之间使用75%酒精进行两次仔细消毒。

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( 图6)．我们在胸片上快速识别肺浸润的AI模式被合并到SCAS中，接收器工作特征曲线(AUC)下的面积为0.99 ( 图7)，敏感性为94.1%，特异性为95.1%，准确度为94.6%。此外，我们使用了GitHub开源数据集中的COVID-19肺炎病例[ 21]包括59张前后胸片和11张前后胸片来检验模型。与一位具有14年经验的心胸放射科医生的解释相比，我们的胸部x线后前位检出率为55/59(93%)，前后位x线检出率为5/11(46%)。

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%。

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 表1．

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%; P=.31)，其次是鼻塞(ED vs检疫站:88/281,31.3%，vs 166/362, 45.8%; P=.31)和发热(ED vs检疫站:78/281,27.7%，134/362,37%; P= .37点)。总的来说，两组之间的比较显示在基线年龄、性别、既往病史或症状方面的分布没有差异。

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 图8，与常规ED追踪(n=281)相比，临床检疫站(n=1520)的调查时间显著缩短，ED调查时间中位数为153.0分钟(95% CI 108.5-205.0)，而临床检疫站的调查时间中位数为35分钟(95% CI 24-56; P<措施)。此外，AI应用在检疫站的使用减少了检疫站的调查时间;检疫站无AI的调查时间中位数为100.5分钟(95%置信区间40.3-152.5)，检疫站有AI的调查时间中位数为34分钟(95%置信区间24-53; P<措施)。

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[ 22］．对于亲自护理，应立即隔离具有高危特征阳性迹象的患者，以避免与患者和医护人员进一步接触。根据Hollander等人[ 22)，平板电脑可以在患者之间使用明确的感染控制程序进行清洗。此外，SCAS系统的每日更新可以帮助那些可能不是肺炎贴片或传染病放射学解释专家的内科医生或外科医生在承担检疫站职责之前，在没有任何准备的情况下做出正确的决定。

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。