基于智能化监测评估网络的家医联动干预早产儿脑发育模式及应用

汤金松 王彦哲

1.中国人民大学苏州校区；2.苏州市吴江区苏州湾外国语学校

据估算，我国每年会出生约100万名早产儿[1]，早产儿脑发育是其身心健康的关键。早产儿大脑很多结构发育不完善，大脑功能发育不成熟，导致脑发育异常发生率远远高于正常足月新生儿，严重影响早产儿及家庭的生活质量，加重社会负担。近些年我国人口出生率不断降低，而早产儿率却呈现上升趋势，如何降低早产儿脑发育异常发生率以及减轻早产儿脑发育异常症状，不只是早产儿家庭所关注的大事，更是全社会需要关注的紧迫问题。

早期合理干预能够有效改善早产儿的脑结构和功能，更利于早产儿神经发育，促进良性预后[2]。经过多年发展，已经出现多种临床诊断早产儿脑发育异常的有效方法，包括神经影像学评估、脑电生理学评估、脑血流动力学评估、神经行为学评估等一系列方法[3]。我国儿科医疗资源不足，家庭干预早产儿脑发育的意识、能力不强，导致有相当一部分早产儿因未得到及时合理干预而致使脑发育异常后果加剧。

当前智能化技术发展迅猛，人工智能、图像识别、语音识别、大数据、云计算等软技术以及可穿戴设备、全光网络、智能手机等硬技术已经在我国得到全面应用，我国城市乡村网络、手机已基本普及，远程医疗、互联网医院也已初具雏形，这些技术及硬件基础为基于智能化监测评估的家医联动干预早产儿脑发育带来了可能。

本文将探究一种基于智能化监测评估网络的，由家庭和医院紧密配合、协作联动的合理干预早产儿脑发育的模式，充分利用现代信息技术，以期达到早产儿脑发育异常早发现、早评估、早干预，且通过人工智能与医院、家庭高频互动及时调整干预策略方案，既大幅减轻医师工作强度，又能达到最佳干预效果，为智能化干预早产儿脑发育模式的构建提供思路。

1 干预早产儿脑发育智能化监测评估网络

1.1 构建干预早产儿脑发育智能化监测评估网络的框架

经过多年研究实践，科研人员、临床医护已经找到一些切实可行的干预早产儿脑发育的技术手段、方法。由于我国早产儿数量较多且地域分散，儿科医生数量少，以往的儿童保健、儿科门诊住院模式不利于及时发现、及时干预。医院、科研院所之间缺乏深度合作，每家单位掌握的干预早产儿脑发育的成果处于孤立状态。

本文构建干预早产儿脑发育智能化监测评估网络的框架，如图1所示，其核心是运用以人工智能、大数据、云计算技术为主的先进信息技术，以图像视频识别、语音识别为突破口，实现对早产儿脑发育高频次“监测→评估→干预”，同时将参与网络的所有早产儿脑发育相关数据、信息整合供网络进行深度学习，不断提升网络智能化程度，再通过互联网、可穿戴智能设备普惠到位于东中西部城乡所有早产儿。

图1 干预早产儿脑发育智能化监测评估网络的框架示意图Fig.1 Framework of monitoring and evaluation network for intervention of brain development of premature infants

1.2 智能化监测评估网络的初步设计

干预早产儿脑发育智能化监测评估网络主要包括三大部分：

（1）以可穿戴设备、手机（含摄像头、麦克风）为主的前端监测设施。采用轻便的可穿戴设备可以监测早产儿的脑电图、脑血氧、脑功能等进行监测，手机可以通过摄像头、麦克风监测早产儿的行为、活动、语言等。

（2）以人工智能算法为核心的云端智能计算中心。人工智能算法主要包括视频识别、图像识别、语音识别等，可以将前端监测设备采集的早产儿脑发育相关数据、信息进行智能化运算，识别出异常脑发育，并根据成熟的神经学和发育评估方法对脑发育情况作出恰当评估，再根据评估提出干预策略方案，提供证明有效的干预方法。医院专业医师查看人工智能算法提交的关键证据及干预策略方案，进行审核把关。

（3）以家庭为主、医院为辅的干预实施者。早产儿的抚育者（特别是父母）通过智能网络获得干预策略方案，还可以得到实操培训，包括标准操作规程、视频教程、实操指导。早产儿的抚育者实行家庭干预实操是早产儿脑发育关键环节，需要长期坚持。在智能网络的辅助下，医院可以对早产儿进行分级管理。专业医师着重参与脑发育异常较为严重的早产儿干预。

1.2.1 前端监测设施

智能手机是最普及的前端监测设施，1080P高清摄像头、WiFi或4G以及5G无线通讯可以清晰捕捉早产儿的行为、活动以及语音。

中华医学会儿科学分会围产专业委员会专家共识认为振幅整合脑电图（aEEG）是评价新生儿脑功能的重要电生理手段，可以用于新生儿脑发育的评价、脑损伤诊断及预后评估，亦可用于新生儿惊厥的监测[4]。aEEG已被广泛证明对于连续监测婴幼儿脑发育是有效的，比如：秦皇岛市第一医院对274例早产儿临床资料进行回顾性分析，aEEG监测早产儿脑电活动可见CNV比例、成熟SWC比例及波普带振幅均随GA增加明显升高，且与NBNA、MDI及PDI评分具有良好相关性，对评估早产儿脑功能发育状态具有重要参考意义[5]。

aEEG设备结构简单，易于使用，可以进一步研发出可穿戴aEEG，适合家庭使用。现已开发出多种可穿戴脑电图（EEG）设备——用于日常实时监测的无线EGG系统，因其便携性、实时性、无创性及低成本等优势迅速发展并得到广泛应用。可穿戴EEG设备作为辅助设备，可以在半自然环境中辅助医护人员实时对病人监护，并对病人治疗状况进行定量分析[6]。

功能性近红外光谱技术（fNIRS）是一种新型脑功能成像技术，具有安全无创、便于移动、抗运动干扰、抗电磁干扰、时空分辨率高、允许长时程监测等优点，在新生儿脑损伤、孤独症、注意力缺陷多动障碍等儿童发育障碍辅助诊断等领域广泛应用。fNIRS作为探索儿童脑功能的最理想神经成像技术之一，近年来越来越多地被用于描述儿童脑皮质活动、脑功能连接和网络拓扑特征的发展，为脑功能障碍（脑性瘫痪、孤独症谱系障碍、注意力缺陷多动障碍等）提供定量的脑功能检测指标，对于疾病的识别、评价、疗效评估、疗效预测具有重要的临床价值[7]。现已开发出多种可穿戴（头盔式、贴片式）fNIRS脑成像设备，可以进一步研发无线、轻量化的可穿戴fNIRS脑成像设备，适合家庭使用。

1.2.2 云端智能计算中心

前端监测设施主要起到信息采集功能，获得脑电图等直接表征早产儿脑发育状况关键信息，以及运行、行为、语言等间接表征早产儿脑发育状况重要信息，通过网络汇集到云端智能计算中心。云端智能计算中心包括：信息（数据）存储和加工中心、脑电图等医学影像图像识别中心、视频（行为）识别中心、语音识别中心、智能综合评估中心、干预指导中心等。各部分组成及相互关系如图2所示。

图2 云端智能计算中心组成及运行流程示意图Fig.2 Composition and process of cloud computing center

（1）信息（数据）存储、加工中心。通过前端监测设施采集到的早产儿脑发育相关信息（数据）经网络传输至云端智能计算中心，保存在信息（数据）存储、加工中心，存储加工中心对数据进行预处理后可以分发给视频识别、图像识别等其他功能中心。

（2）脑电图等医学影像图像识别中心。脑电图等医学影像是直接表征早产儿脑发育状况关键信息，数据量非常大，如由人工识别，不仅速度很慢，且依赖医生的临床经验，而借助人工智能技术能够快速有效地完成。采用人工智能算法的图像识别技术已经相当成熟，在医疗领域有了多年应用经验。目前人工智能技术在脑电图信号分类领域的研究较多，且以神经网络方法为主，也有采用机器学习方法等[8]。

（3）视频（行为）识别中心。异常行为状况能够表征早产儿脑发育情况。可以针对早产儿异常姿态或动作建立样本库，之后通过人体目标检测、姿态估计、动作识别等方法判别具体行为，并最终判定其是否属于异常行为样本库范畴。异常行为的识别与检测均需进行特征提取，特征提取是指从视频数据中提取关键信息用以表征行为的过程。人工智能技术在特征提取方面起到很大作用，基于深度学习、基于三维卷积神经网络、基于双流卷积神经网络、基于循环神经网络等的特征提取已获得成功[9]。

（4）语音识别中心。早产儿更容易发生语言发育落后，与出生体重、出生胎龄、主要带养人、亲子互动时间及电子屏幕暴露时间有关[10]。儿童语言发育迟缓（CLDD）的主要临床表现有：构音障碍（发声困难、发音不准、咬字不清等）、口吃、词汇储备低、语言表达能力欠佳等。人工智能技术在自然语言处理领域飞速发展，使得实现基于语音识别的智能化CLDD检测成为了可能，通过与早产儿进行特定的语音交互，采集儿童回答语音，语音识别中心进行分析并提供初步分析意见[11]。

（5）智能综合评估中心。上述图像识别中心、视频识别中心、语音识别中心分别对早产儿的脑电影像、行为、语言各方面进行专项分析、处理后，所有信息汇总到智能综合评估中心，综合运用权威的早期预测诊断评价工具和发育结局评估工具（NBNA、GMs、BSID、DST等），采用人工智能对这些评价评估工具（量表）大数据进行深度学习和融合，形成智能化评估算法，针对早产儿脑发育状况进行智能化评估。

（6）干预指导中心。基于智能综合评估中心对早产儿脑发育个案给出的智能化评估，干预指导中心通过大数据匹配、调整，从预制的干预策略模块库中选择最适合个案需求的多个干预策略模块，并根据个案特色进行适应调整，最终形成该早产儿干预策略方案。

云端智能计算中心将上述6个中心整合为一个统一体，与早产儿个案进行交互，采用深度学习技术不断优化算法。随着参与到智能网络中早产儿数量增多，网络获取的信息（数据）不断增加，智能计算中心会不断改进、增强监测、评估准确性，提高干预指导的效果。专业的儿科、神经科医师会参与进来，对云端智能计算中心评估、方案进行审核，专业医师的审核意见会促进人工智能算法的优化。经过早产儿、家庭、医师、工程师几方的配合，在大量信息（数据）的“灌溉”下，云端智能计算中心将不断自我迭代发展。

1.2.3 早产儿脑发育干预的实施

干预早产儿脑发育主要由家庭来实施，早产儿的抚育者（特别是父母）根据云端智能计算中心提供的干预策略方案（经医师审定）进行具体操作，包括行为训练、认知训练、音乐疗法、饮食调理等。干预策略方案可以通过手机App方式提供给抚育者，还提供实操培训，包括标准操作规程、视频教程、实操指导等。云端智能计算中心通过视频、语音可将家庭训练状况进行评估，也对干预效果进行评估，并根据评估结果进行优化，提供下一步干预策略方案。家庭干预实操是促进早产儿脑发育的关键环节，需要长期坚持。云端智能计算中心将对父母等进行督促，采用打卡、交互、竞赛、评比等手段。

2 家庭—医院联动模式

我国目前0～6岁适龄早产婴幼儿约600万人，医院医疗资源不足以全面支撑。在智能化监测评估网络支撑下，采用家庭—医院联动模式，以达到医疗资源最大化充分利用。家庭和医院应密切沟通，联合行动，互相促进，有利于及时监测评估，也有利于发挥家庭能动性，以及优化早产儿生长过程监测评估方式。家庭—医院联动模式示意图如图3所示。

图3 家庭—医院联动模式示意图Fig.3 Family-hospital cooperation model

智能化监测评估网络对早产儿综合评估后实行分级，比如可分为正常、轻度异常、中度异常、重度异常；将医院医师也进行分级，与早产儿分级进行匹配，比如正常早产儿与社区医院儿保医师进行匹配，轻度异常早产儿与二级医院儿科、神经科医师进行匹配，重度异常早产儿与三级医院儿科、神经科医师进行匹配。

云端智能计算中心将表征早产儿脑发育关键证据、评估及干预策略方案提交给匹配的医师，由专业医师进行审核把关后再发布给家庭抚育者进行实操。

医师对人工智能的评估、干预策略方案有疑义的，将提交到上一级医师审核委员会进行会审。会审确认人工智能结果有误，审核委员会将提供更合理的评估和干预策略方案，这些不但发布给家庭，也一并交由算法工程师以便修正相关算法。

对于难以得出审核结论的案例，将交由上一层级委员会进行会审。若委员会认为必要，将发布一项研究课题，招募有兴趣人员进行深入研究，再将研究成果以论文的形式发布，将数据发送给算法工程师以优化算法，并将实际操作方法传给医院及家庭，同时促进科技发展。

早产儿家庭地理分布广泛，一般会匹配距离最近的医师，这样匹配医师既可以通过视频直接指导家庭开展干预实操，也可以对早产儿开展线下诊疗。更进一步，可以鼓励脑神经专业领域的医学生参与到网络中，通过大量案例数据信息提升医学生评估能力，也可以在相应级别早产儿干预中发挥作用，缓解医疗资源的不足。当然，需要对医学生的能力进行评估，确保其有能力完成相应工作。

在智能化监测评估网络支撑下，人工智能技术对早产儿脑发育进行了初步评估，结合分级匹配医院医师，可以大幅度提升医疗资源运用效率，以达到全面覆盖0～6岁早产儿。

家庭是早产儿脑发育干预的最后屏障，医院是指引早产儿脑发育的灯塔。家庭与医院联动有利于促进因儿施策，量身定制，最大限度合理干预早产儿脑发育，将会给家庭、医院、社会带来巨大回报。

3 结语

抓住0～6岁早产儿脑发育“黄金”期，充分运用智能化技术，组建智能化监测评估网络，为家庭、医院提供技术支撑；建立家庭—医院联动机制，放大医院指导能力，促进更多家庭采取最合理举措干预早产儿脑发育，形成正向反馈，互相促进。更多的早产儿加入智能化监测评估网络，将会给网络提供更多的信息数据，加深网络自学习，促进网络算法优化，更加敏锐地识别出有利于和不利于脑发育的举措，从而不断优化指导家庭合理干预，进一步促进早产儿脑发育。

家庭为主，医院为辅。高频监测，积极干预，及时反馈、调整。监测、评估、定策、实施、反馈，正向循环提升。因儿施策，家医联动，及时调整。抓住0～24月关键期，0～6岁改变命运。通过合理干预，使得早产儿大脑发育产生代偿，以弥补先天不足，优化整体脑功能，提升早产儿及其家庭生活质量。

预期通过智能化监测评估网络支撑，依托互联网、智能手机，将普及对早产儿脑发育的监测评估，能缓解儿科医师缺乏的困难，大幅减少恶性脑发育异常儿童数量。

引用

[1]DENG K,LIANG J,MU Y,et al.Preterm Births in China Between 2012 and 2018:an Observational Study of more Than 9 Million Women[J].The Lancet Global Health,2021(9):1226-1241.

[2]樊欣,文静,赵妍.早产儿神经发育检测和治疗的研究进展[J].医学综述,2022,28(5):970-974.

[3]刘俐.早产儿脑损伤及脑发育评估[J].中国实用儿科杂志,2017,32(11):833-837.

[4]中华医学会儿科学分会围产专业委员会.新生儿振幅整合脑电图临床应用专家共识[J].中华新生儿科杂志,2019,34(1):3-7.

[5]邱锐琴,吴小波,夏明月,等.新生儿振幅整合脑电图对评估早产儿脑功能发育状态的临床应用价值[J].河北医学,2019,25(4):617-622.

[6]秦静,孙法莉,汪祖民,等.可穿戴脑电图设备关键技术及其应用综述[J].计算机应用,2022,42(4):1029-1035.

[7]近红外脑功能成像临床应用专家共识编写组.近红外脑功能成像临床应用专家共识[J].中国老年保健医学,2021,19(2):3-9.

[8]王林峰,刘欢庆,周涛.人工智能技术在电生理诊断中的应用现状[J].现代电生理学杂志,2021,28(1):53-56+65.

[9]张晓平,纪佳慧,王力,等.基于视频的人体异常行为识别与检测方法综述[J].控制与决策,2022,37(1):14-27.

[10]陈忆晴,朱圆圆,吴茜,等.103例早产儿语言发育状况分析[J].江苏医药,2021,47(12):1208-1210.

[11]马孟星,潘文林,胡洋,等.计算机辅助儿童语言发育迟缓检测研究综述[J].云南民族大学学报(自然科学版),2022,31(1):111-120+138.