人工智能在卫生保健工作者安全防护中的应用进展

Application progress of artificial intelligence in safety protection of health care workers

ZHANG Yi， MEI Hua， XU Ting， SI Wei， CAO Wenting， ZHU Aiyong

Department of Graduate， Shanghai University of Traditional Chinese Medicine， Shanghai 201203 China

Corresponding Author "CAO Wenting， E⁃mail： caowenting629@126.com; ZHU Aiyong， E⁃mail： zhuay@sumhs.edu.cn

Keywords""""artificial intelligence；"health care workers；"safety protection；"occupational protection；"nosocomial infection；"review

摘要""对人工智能在职业安全与健康、职业安全防护中的应用进行综述，以期为提高卫生保健工作者自我防护的准确性和依从性、促进其工作安全性提供参考。

关键词""人工智能；卫生保健工作者；安全防护；职业防护；医院感染；综述

doi：10.12102/j.issn.1009-6493.2024.18.017

卫生保健工作者（health care workers，HCW）的工作环境及服务目标人群具有特殊性，其在治疗操作过程中的职业安全受到了多方面的考验。随着人工智能（artificial intelligence，AI）在医疗保健领域的发展，医疗保健与大数据和机器学习方法的结合应用增多^[1]，在流行病监测、预测中发挥着至关重要的作用^[2]。人工智能系统的应用不仅可以为病人提供良好的护理服务，还有利于提高医疗服务成本效益，促进人们生活质量提高^[3]。现对人工智能在卫生保健工作者安全防护领域的应用现状进行综述，以期为提高卫生保健工作者自我防护的准确性和依从性、促进其工作安全性提供参考。

1 "人工智能技术介绍

公共卫生安全问题是世界各国亟待解决的问题，重大流行性疾病的发生给全人类的生命安全和经济带来了极大威胁，习近平总书记多次强调，我国要与世界卫生组织协调配合，积极参与全球疫情防控工作，优化发展中国家的公共卫生安全治理现状^[4]。数字化催生的互联网技术、大数据技术、人工智能技术为公共卫生安全的治理提供了新思路^[5]。人工智能是通过模仿人类思维过程如学习、推理、思考并利用系统或设备辅助或代替人类执行相关任务的现代方法^[6]。机器学习（mechine learning，ML）是人工智能的一个分支，是一种由自动分析数据获取模型，并对未知数据进行预测的算法。深度学习（deep learning，DL）是一种基于人工神经网络（artificial neural networks，ANN）的人工智能方法。随着机器学习和深度学习的技术进步，人工智能在计算机视觉、文本图像分析、语言处理和识别等领域也进行了性能上的加强^[7]。机器学习/深度学习的不断更新改善了医疗设备和医务人员的工作方式，有利于其最大限度地避免与感染流行病病人接触^[8]，增强自身安全防护。如使用WiFi、5G和蓝牙技术连接可穿戴设备上传病人心脏、呼吸等数据；采用神经网络和数字图像处理技术进行智能诊断、远程监护等，减少不必要的医患接触。这些技术不仅可以帮助解决医护人员短缺的问题，还可以提高医疗诊断及治疗的准确性，控制医疗成本，节省个人防护装备（personal protective equipment，PPE）的使用。

2 "人工智能在职业安全与健康中的应用

职业安全与健康是公共卫生科学的一个分支，结合了毒理学、流行病学、人体工程学等学科内容，研究内容包括公共场所疾病和伤害范围的分布及相关预防策略和法律法规的制定。当前，越来越多的研究者将人工智能研究与职业安全防护整合在一起。美国国家职业安全与健康研究所（NIOSH）成立了职业机器人研究中心（CORR）^[9]，评估了机器人和人工智能对工作环境中工作人员安全性的影响。欧洲健康与安全机构也研究了人工智能增强工具和应用程序的功能、作用方式以及在职业防护场景中的应用情况^[10]。

2.1 大数据收集可以为流行病进展提供预警

大数据收集能够更精准地预测疾病流行情况，帮助疾病预防中心提前制订应急处理措施，通过风险预警也可以加强对传染病区工作的医护人员的保护。加拿大一款全球人工智能疫情风险软件“蓝点”（BlueDot）^[11]集健康和医疗专业知识与先进的数据分析为一体，可以通过跟踪数据、当地新闻报道、官方公共卫生机构声明、人口统计数据、牲畜健康报告等信息预测传染性疾病风险。在对全球航空票务数据进行分析后，首次预测了病毒出现后几天内扩散的城市。Parbat等^[12]通过支持向量回归模型、运用约翰霍普金斯大学流行病数据预测了传染病疫情死亡总人数、康复人数、累计确诊人数和每日病例数趋势^[13]。我国也利用人工智能在传染病追踪方面获取了有效信息，如通过面部识别摄像头跟踪有旅行史的感染者^[14]、采用健康码管理^[15]等方式帮助相关防控工作者快速锁定密切接触人员，精准防疫进行隔离诊断，不仅加快了办事效率，方便了居民出行，使复工复产更科学、安全，也防止了传染病疫情的大面积传播。此外，人工智能分析结果还可以帮助政府和公共卫生部门根据实际情况积极采取防疫措施，为可能暴发的传染病提早做出准备。

2.2 机器学习模型可以为医护人员提供健康预警

随着人口数量增加，医护人员短缺情况凸显，职业暴露使医务人员的生命健康遭受威胁，不利于医疗行业的良性发展，因此，职业防护显得尤为重要^[16]。目前，图像处理技术和深度学习模型多基于放射学图像对传染病进行检测^[17]，Jaiswal等^[18]开发了一种算法，利用生理数据建立了一个基于人工智能的早期预警系统，其能够在临床症状出现前几天预测医护人员的感染趋势，从而有利于减少临床并发症的发生。经检验，Jaiswal等^[18]开发的基于人工智能的早期预警系统准确性较高，未来可用于大众人群流行性疾病的监测。

3 "人工智能技术在职业安全防护中的应用

人工智能在应对感染预防和控制（infection prevention and control，IPC）中有着巨大的发展潜力^[19]。人工智能不仅可以提供客观模式识别增强诊断的正确率，也可以通过监测卫生保健工作者的手卫生习惯、防护服穿脱行为等方式，帮助医护人员预防感染，还可以辅助医护人员进行一些危险操作，避免职业暴露，保护卫生保健人员健康，促进传染病防控知识的传播。

3.1 人工智能在医院感染防护中的应用

3.1.1 手卫生

手卫生是感染防控中的重要一环^[20]，将人工智能应用于手卫生培训和审核能够提高操作准确性、简化感染防控流程。Sure Wash系统通过交互式信息亭，基于摄像头增强现实^[21]。并采用游戏化学习法训练和评估手卫生技术，提高了医护人员洗手流程的正确率和手卫生依从性。已有研究将可穿戴设备用于监测手卫生行为，感应医务工作者手消毒时间和正确率，提高了医务工作者的防护安全^[22]。Michael等^[23]对智能检测系统应用效果的可持续性进行研究，对结果分析后提出，智能监测系统是否能够长期改善手卫生执行情况还需进一步验证。

3.1.2 个人防护

医用个人防护装备的正确使用对污染和疾病的传播具有重要影响^[24]，Tomas等^[25]研究发现，只有不到一半的医护人员能通过正确的顺序穿脱个人防护装备，且手卫生依从性较差。为了使医务人员有更好的依从性，规范穿脱隔离衣，疾病控制预防中心（CDC）会定期进行培训，并让经验丰富的专业人员监控医护人员的隔离衣穿脱步骤。墨尔本大学的一项研究分析了远程监控和现场工作人员监控在医护人员穿脱隔离衣监测中的灵敏度，结果显示，二者的灵敏度均为100%，但远程监控可以在现场督查人员有限的情况下确保监测的可靠性，降低监测观察员的感染暴露风险^[26]。剑桥大学研究人员运用一款名为“Blue Mirror”的人工智能软件试点模拟了人⁃机协作的交互过程，该软件在一台带有摄像头的商用平板上运行，包含100%非接触式交互过程，研究借助平板为医护人员在穿脱防护服过程中提供指导，并提供医用个人防护装备穿脱过程中的人工智能实时反馈，结合远程视频提供额外的支持和校正反馈，该研究也有利于确定当前技术发展阶段人工智能的自主程度，可以为人机协作替代人工监测防护服穿脱提供初步的数据基础^[27]。目前该系统还在不断完善之中，旨在进一步提高其性能和自主性。我国的科研团队也研发了一款基于智能语音交互系统的防护服穿脱指导设备，结果显示，设备语音系统清晰、指导性强且简单易操作，有利于提高医务人员穿脱防护服的依从性^[28]。我国研究的基于智能语音交互系统的防护服穿脱指导设备可用于医院发热门诊、隔离病区、移动CT等场景的缓冲区域，应用前景较为广泛，但存在反应灵敏度低、交互信度不完善等问题。

3.2 人工智能在针刺伤暴露中的应用

静脉输注是临床治疗的主要给药途径之一，据统计，我国二级以上医院住院病人输液治疗率为93.13%^[29]。静脉输注起效迅速，但易对医护人员造成安全隐患，如长期接触化疗药物导致肿瘤发生风险增高、针刺伤及药瓶锐器伤增多等^[30⁃31]。为了保障医护人员的职业安全，许多医院建立了静脉药物配制中心（Pharmacy Intravenous Admixture Services，PIVAS）负责静脉输注药物的集中调配，这种方式可以减少不安全用药因素，但依旧无法避免对配药卫生保健工作者造成伤害^[32]。为此，美国的“健康导向”公司于2002年研发了“易达利五代”静脉药物配制机器人，其采用机器视觉模块、称重模块、条形码扫描等技术，可以以极高的效率和极低的差错配制静脉输注药物^[33]，但无法配制袋装药物。而加拿大的“里瓦”机器人解决了这一不足^[34]，其可以更加快速且精准地配制袋装药物，避免了细胞毒性药物配制过程中药物挥发对医护人员造成的伤害。

3.3 人工智能在职业辐射暴露中的应用

为了减少临床医护人员受到的辐射损伤，大多数医院会使用屏蔽装置。Mortazavi等^[35]建立了一个人工神经网络模型，用于预测医护人员在不同水平电离辐射下的职业暴露损伤程度，结果表明，该模型在预测全年允许所受照射的极限剂量（AED）方面的准确性较高，预测的AED值和测量剂量间有很强的线性关系（训练样本r=89.0，测试样本r=86.0）。Zimmermann等^[36]使用一种机器学习和图像处理技术自动分析数据并计算辐射百分比，结果表明，使用该技术可以帮助避免43.5%的辐射。但该研究也存在一定局限性，需要建立一个专门的系统进行实时追踪，以提高结果准确性。

4 "小结

目前我国卫生保健工作者对于职业防护的重视程度和处理能力有待提高，人工智能辅助不仅可以使医务工作者在操作过程中更安全、高效地为病人服务，还可以实现人力资源的利益最大化，节省更多医疗耗材。虽然人工智能无法完全规避大规模传染病的发生，但可以通过交互场景提高传染病防控效率，减少疾病传播，增加人员调配度，保障医护人员的健康和安全。发达国家医疗数据信息化成熟度较高，相关制度和法律法规较为完善。我国也有基于人工智能的职业安全防护用品，但尚未实现真正的人机交互，人工智能技术有待进一步探索；其次，我国的职业防护与人工智能技术融合不够密切，缺乏大规模的数据支持，数据质量有待验证，准确性和可行性有待探究。研究者今后需将数据开发与临床应用紧密结合，提高验证的准确性；医疗领域工作者应在工作中不断积累经验，将其运用于人工智能技术的创新和相关职业防护规范的研究中，为病人提供优质的医疗和护理，促进预防和健康。

参考文献：

[1] "AHMAD M，AHMED I，JEON G.An IoT-enabled real-time overhead view person detection system based on Cascade-RCNN and transfer learning[J].Journal of Real-Time Image Processing，2021，18（4）：1129-1139.

[2] "ABDUL M.Technical analysis of contact tracing platform developed by Google-apple for constraining the spread of COVID-19[J].ISPRS International Journal of Geo-Information，2022，11（11）：539.

[3] "AHMAD M，AHMED I，JEON G.A sustainable advanced artificial intelligence-based framework for analysis of COVID-19 spread[J].Environment，Development and Sustainability，2022：1-16.DOI：10.1007/S10668-022-02584-0.

[4] "郭娟，贺彬.习近平总书记关于公共卫生治理重要论述的时代背景、核心内涵及价值意蕴[J].中共石家庄市委党校学报，2023，25（4）：10-14.

[5] "陈潭，梁世杰.组织动员、社区学习与应急治理——社区公共卫生应急治理的响应范式与实践逻辑[J].社会科学，2021（12）：37-44.

[6] "ABDULJABBAR R L，DIA H，LIYANAGE S，et al.Applications of artificial intelligence in transport：an overview[J].Sustainability，2019，11（1）：1-24.

[7] "NASR M，ISLAM M M，SHEHATA S，et al.Smart healthcare in the age of AI：recent advances，challenges，and future prospects[J].IEEE Access，2021，9：145248-145270.

[8] "CHEN S W，GU X W，WANG J J，et al.AIoT used for COVID-19 pandemic prevention and control[J].Contrast Media Mol Imaging，2021，2021：3257035.

[9] "HOWARD J.NIOSH：a short history[J].Am J Public Health，2020，110（5）：629-630.

[10] "TAMERS S L，STREIT J，PANA-CRYAN R，et al.Envisioning the future of work to safeguard the safety，health，and well-being of the workforce：a perspective from the CDC's National Institute for Occupational Safety and Health[J].Am J Ind Med，2020，63（12）：1065-1084.

[11] "美国GCN.加拿大BlueDot公司利用人工智能预测病毒爆发[EB/OL].[2023-06-25].http：//www.ecas.cas.cn/xxkw/kbcd/201115_128187/ml/xxhcxyyyal/202004/t20200408_4938212.html.

[12] "PARBAT D，CHAKRABORTY M.A python based support vector regression model for prediction of COVID⁃19 cases in India[J].Chaos Solitons Fractals，2020，138：109942.

[13] "DONG E S，DU H R，GARDNER L.An interactive web-based dashboard to track COVID-19 in real time[J].Lancet Infect Dis，2020，20（5）：533-534.

[14] "KUMAR A，GUPTA P K，SRIVASTAVA A.A review of modern technologies for tackling COVID-19 pandemic[J].Diabetes Metab Syndr，2020，14（4）：569-573.

[15] "刘思远，张丽军，刘雷.人工智能在抗击新型冠状病毒肺炎疫情中的应用[J].中国医学物理学杂志，2020，37（8）：1076-1080.

[16] "KUMAR R，PAL R.India achieves WHO recommended doctor population ratio：a call for paradigm shift in public health discourse！[J].J Family Med Prim Care，2018，7（5）：841-844.

[17] "GOUR M，JAIN S.Automated COVID-19 detection from X-ray and CT images with stacked ensemble convolutional neural network[J].Biocybern Biomed Eng，2022，42（1）：27-41.

[18] "JAISWAL D，MANDANA K，RAMAKRISHNAN R K，et al.An approach to a wrist wearable based COVID-19 prediction system to protect health care professionals[J].Annu Int Conf IEEE Eng Med Biol Soc，2022，2022：2459-2463.

[19] "CHEN S M，YANG J T，YANG W Z，et al.COVID-19 control in China during mass population movements at new year[J].Lancet，2020，395（10226）：764-766.

[20] "STORR J，TWYMAN A，ZINGG W，et al.Core components for effective infection prevention and control programmes：new WHO evidence-based recommendations[J].Antimicrob Resist Infect Controll，2017，6：6.

[21] "HIGGINS A，HANNAN M M.Improved hand hygiene technique and compliance in healthcare workers using gaming technology[J].J Hosp Infect，2013，84（1）：32-37.

[22] "FITZPATRICK F，DOHERTY A，LACEY G.Using artificial intelligence in infection prevention[J].Curr Treat Options Infect Dis，2020，12（2）：135-144.

[23] "MICHAEL H，EINLOTH C，FATICA C，et al.Durable improvement in hand hygiene compliance following implementation of an automated observation system with visual feedback[J].Am J Infect Control，2017，45（3）：311-313.

[24] "MITCHELL R，ROTH V，GRAVEL D，et al.Are health care workers protected？An observational study of selection and removal of personal protective equipment in Canadian acute care hospitals[J].Am J Infect Control，2013，41（3）：240-244.

[25] "TOMAS M E，KUNDRAPU S，THOTA P，et al.Contamination of health care personnel during removal of personal protective equipment[J].JAMA Intern Med，2015，175（12）：1904-1910.

[26] "SEGAL R，BRADLEY W P，WILLIAMS D，et al.Remote buddy monitoring of the donning and doffing of personal protective equipment[J].Med J Aust，2021，214（11）：526-527.

[27] "SEGAL R，BRADLEY W P，WILLIAMS D L，et al.Human-machine collaboration using artificial intelligence to enhance the safety of donning and doffing personal protective equipment（PPE）[J].Infect Control Hosp Epidemiol，2023，44（5）：732-735.

[28] "杨莎，张慧兰，吕化杰，等.一种指导医务人员脱卸个人防护装备的智能语音提示交互系统的设计与应用[J].中国消毒学杂志，2023，40（4）：287-290.

[29] "王辉，谢欣苇，刘正跃，等.156所综合性医院住院患者静脉输液指标的综合分析[J].药学实践杂志，2017，35（6）：573-576.

[30] "叶慧.职业防护视角下静脉药物调配中心的岗位安全管理[J].中医药管理杂志，2018，26（21）：172-173.

[31] "POWER L A，COYNE J W.ASHP guidelines on handling hazardous drugs[J].Am J Health Syst Pharm，2018，75（24）：1996-2031.

[32] "江娟，张菊.对静脉药物配置缺陷的改进策略与效果[J].实用临床护理学电子杂志，2017，2（31）：164.

[33] "HAROLDS J A，HAROLDS L B.Quality and safety in health care，part X：other technology to reduce medication errors[J].Clin Nucl Med，2016，41（5）：376-378.

[34] "FERMIER A M，TROISI J，HERITAGE E C，et al.Powder dispensing robot for sample preparation[J].The Analyst，2003，128（6）：790-795.

[35] "MORTAZAVI S M J，AMINIAZAD F，PARSAEI H，et al.An artificial neural network-based model for predicting annual dose in healthcare workers occupationally exposed to different levels of ionizing radiation[J].Radiat Prot Dosimetry，2020，189（1）：98-105.

[36] "ZIMMERMANN J M，VICENTINI L，VAN STORY D，et al.Quantification of avoidable radiation exposure in interventional fluoroscopy with eye tracking technology[J].Invest Radiol，2020，55（7）：457-462.

（收稿日期：2023-06-27；修回日期：2024-06-27）

（本文编辑"陈琼）