全场景疫情病原体检测信息系统
作者：王思宇 秦晓松 白怡博 张春龙 缪宇生 刘 勇
【摘要】新冠疫情爆发，国务院联防联控机制陆续发布工作方案及通知，面对大规模核酸检测手工录入信息出现的低效、混乱、错误率高等问题，科技赋能、信息化技术的应用成为了核酸检测筛查工作的当务之急。本文介绍了全场景疫情病原体检测信息系统，其主要包含标本采集、标本送检、标本接收、实验室端应用系统、指挥中心监控大屏等五大核心应用，对核酸检测进行全流程、全链路监管。经过国内多地大规模核酸检测的应用实践，该系统充分展现了其高效、精准、简单、低投入等特性，大幅度提速核酸检测，为疫情防控的精准决策提供科学有效的支撑。
随着全球经济迅猛发展，人员流动加剧，一些传染性疾病的传播速度变得越来越快。近年来，不明原因疾病、重点传染病不断肆虐，对人类的生命安全造成了重大威胁，尤其2020年伊始，新型冠状病毒肺炎疫情爆发，更是敲响了警钟，建立快速的应急处置信息化系统，已经成为国家卫生行政部门亟待解决的问题[1]。
疫情初期，“表格抗疫”是一种普遍的信息登记方式，该方式通过人工询问手工录入信息，存在耗时、耗力，且受统计口径、统计来源、被检测人员表述、填报人员认真程度等多方面因素影响，导致报送数据存在真实性、准确性、完整性问题，很难保证抗疫工作的高效性和准确性[2]。随后，一些地区采用移动PC的方案，即采用笔记本电脑、读卡器、扫码枪等设备进行核酸检测人员的信息录入，实现了信息录入的自动化，然而，此种方案存在设备投入成本高、携带不便，前期准备工作繁琐，且室外温度较低时，笔记本电脑发热量大，遇冷空气，主板易短路等问题。因此，研发一种有效规范、准确、高效、低成本投入的信息录入方法，对疫情期间保证核酸检测人员信息准确性、提升病原体检测速度至关重要。
本团队结合国内多地疫情防控和城市级全民核酸检测经验，研发了一款精准、高效、低投入的全场景疫情病原体检测信息系统，为信息化抗疫提供了完备的整体解决方案，为科学高效决策提供了及时、可靠的大数据支撑。
一、全场景疫情病原体检测信息系统及特点
“全场景疫情病原体检测信息系统”是一款以满足疫情爆发时城市级全民核酸检测任务要求为主，同时兼顾常态化疫情防控阶段其他不同类型核酸检测任务要求的，轻量化的、低成本投入的、可快速推广使用的通用软件系统，主要包含标本采集APP、标本送检APP、标本接收APP、实验室端应用系统、指挥中心监控大屏等五大核心应用。
该系统较传统手工录入方案及基于移动PC方案有明显优势。被检测人员信息收集采用光学字符识别（Optical Character Recognition，OCR）技术[3]通过手机摄像头扫描身份证，提高采集效率及数据可靠性，便于数据溯源；标本采集APP、标本送检APP、标本接收APP，基于安卓系统开发[4]，简便易上手，大幅度提高标本采集、送检效率，且政府财政零投入；实验室端支持安卓手机和无线扫码枪方案，免除了对环境改造及硬件采购的依赖；指挥中心监控大屏，提供全流程多维度的实时数据监控，助力政府抗疫精准决策；最后，在疫情爆发时，该系统可在24小时内完成软硬件部署、环境测试及培训，迅速投入使用。
因此，该系统具备提高检测效率、保证被检测人员信息录入质量、降低投入成本、降低安全隐患、实现精准防控等特性。
二、全场景疫情病原体检测信息系统整体设计
结合传统手工录入和移动PC方案，以及国内多地疫情防控和城市级全民核酸检测经验，全场景疫情病原体检测信息系统总体架构图如图1所示。
该系统基于上述五大核心应用，在业务层面，其中标本采集、送检、接收等采用APP进行交互，实验室端应用系统用于PCR实验室进行标本上机、结果录入、结果审核等，采用安卓手机+无线扫码枪及网页方式交互，从而实现标本流转全链路管理。在资源调度及决策层面，指挥中心监控大屏对全流程多维度数据进行实时监控，合理调配各类资源。
系统核酸检测业务流程如图2，全流程条码化管理，且为了防止误扫，扫码时对条形码增加了四个校验位，共采用四种校验规则，可实现“零”误扫，上述五大核心应用介绍如下：
1. 标本采集：标本采集APP用于完成标本采集全流程，解决了原始的笔记本电脑、读卡器、扫码枪等设备对电源，温度环境等的高要求。并且APP操作方便，对使用人员要求低。每个采集组，只需一名标本采集护士及一名信息登记人员，预先完成标本采集APP的下载、安装及注册。要求每个采集组根据情况，准备若干转运箱及试管，并预先粘贴转运箱码及试管码。采集标本之前，选择所在采集点；扫描转运箱码，开箱；扫描试管码，开管，同时需选择采集模式，如单管采集、10合1采集[5]等；采集完成后，封管，并放入转运箱中；转运箱满或需要送检时，封箱，等待送检。实现被检测人员信息与试管码绑定，同时，基于APP提供的开箱、封箱等功能，又可将试管与转运箱进行了实物关联，便于实验室端进行标本管理。
基于OCR技术，信息登记人员使用手机摄像头“零”接触扫描被检测人员身份证，完成信息登记。OCR技术流程如图3，即先对资料进行扫描，进而对图像文件进行畸变校正、去除模糊、图像增强和光线校正等预处理操作[6]，然后检测文本所在位置和范围，最后对文字及版面等信息进行识别[7]。采用的OCR技术识别身份证号准确率超过99%，同时支持身份证正面头像检测，实现快速完成被检测人员的身份信息识别和登记，避免了手工填入信息的繁琐和易出错等问题，且“零”接触扫描更能保证人员安全。
图3. OCR识别流程
2. 标本送检：标本送检APP用于完成标本送检全流程。送检人员提前安装标本送检APP，并注册。扫描各个采集组需要送检的转运箱码，确认转运箱信息，进行送检。同时根据系统反馈的目的实验室或指定实验室进行标本运输。
3. 标本接收：面向各级医疗机构、疾控中心、第三方实验室等，其接收人员需提前安装标本接收APP。扫描需要接收的转运箱码，确认转运箱信息，进行接收。
4. 实验室端应用系统：面向各级医疗机构、疾控中心、第三方实验室等，根据其PCR实验室有无电脑，检验结果录入分为两种方案。针对没有电脑的PCR实验室，采用移动实验室工作站方案，即上机前在移动实验室APP中新建上机板，并用无线扫码枪录入试管码，进入实验，待产物分析完毕后录入对应上机板的结果；针对有电脑的PCR实验室，采用Excel管理方案，即用Excel录入上机板所检测标本的试管码和检验结果，并上传至实验室端应用系统。
在上述两种检验结果录入方案的基础上，该应用可进行结果审核、报告查看、报告打印等操作。并可直接生成不同的结果文件格式，用于直接上报如大疫情网等结果平台。因此，该系统具有更广泛的应用性。
5. 指挥中心监控大屏：指挥中心监控大屏是专为疫情防控指挥中心或相关管理机构提供的高度可视化、实时动态更新的数据展示系统。通过该系统可实现对各采集点的采集资源、各巡检区域的转运负载、各区域实验室效能、全市阳性标本分布的监控。通过各类监控及后台运算模型，由中央指挥调度平台的大屏幕形成各区域负载热力图。将当前所有采集点的采集状态及速率、标本送检和接收的状态及速率、实验室标本检测状态及速率等统筹数据化，为调度疫情防控资源提供数据保障。
三、全场景疫情病原体检测信息系统应用与实践
全场景疫情病原体检测信息系统，先后助力大连市、沈阳市、石家庄市、黑龙江省等10多个地区进行大规模核酸检测。
2021年1月12日，石家庄市第二轮全民核酸检测，石家庄市包括藁城区在内的23个县、区均采用了该系统进行核酸筛查工作。首日标本采集量超过800万人次，高峰时每小时超过100万人次，实现了单个采集组（2个人）每小时超200人次的采集速度，实现了被检测人员身份信息自动录入、标本送检、接收、检测等信息全流程闭环。
2021年1月，黑龙江全省引入全场景疫情病原体检测信息系统助力信息化核酸筛查检测工作。2021年1月15日黑龙江省望奎县全面启动第二轮全民核酸检测，20秒完成单人次采集，采集速度较以往手工录入方式提升3倍以上，由原来的日采集量1.8万人次提升到日采集量近6万人次。较2020年7月22日大连疫情手工录入带来的耗时、低效、错误率高等问题，2020年12月，本次大连疫情采用了全场景疫情病原体检测信息系统，经过实战，该系统充分展现了精准、高效、低投入等特性。
实践是检验真理的唯一标准。经过国内多地大规模核酸检测的应用实践，全场景疫情病原体检测信息系统具有投入低、部署快、易使用、效率高、全流程、全链路等特点，适合于大规模检测。
四、结语
本文介绍了一个包含标本采集、标本送检、标本接收、实验室端应用系统、指挥中心监控大屏等五大核心应用的全场景疫情病原体检测信息系统，五大核心应用全流程、全链路支撑新型冠状病毒信息化筛查。为了高效、低成本投入使用，标本采集、送检、接收均采用APP方案，且标本采集采用OCR技术，通过手机摄像头扫描身份证，获取信息，大幅度提高了识别准确率和效率；实验室端应用系统，针对信息化水平不同的PCR实验室，分别提供了移动实验室工作站方案和Excel管理方案，助力实验室端快速输出检测结果；指挥中心监控大屏实时监控标本流转的多维度数据，精准助力疫情决策。经过国内多地大规模核酸检测的实践经验，该系统不仅解决了以往“表格抗疫”带来的问题，且与移动PC方案相比，具有政府财政“零”投入，操作简单，集高效、精准、安全为一体等优点，不仅适用于疫情爆发时城市级全民核酸检测，同时亦兼顾常态化疫情防控阶段其他不同类型核酸检测任务的要求。
参考文献
贾忠伟. 从新型冠状病毒肺炎信息疫情探讨网络流行病学建设[J]. 中华医学科研管理杂志, 2020, 33(5):368-371.
郭强, 衡反修, 束军. 新型冠状病毒肺炎疫情背景下医疗卫生信息化建设思考[J]. 医学信息学杂志, 2020,41(8):8-11+24.
Patel C, Patel A, Patel D. Optical Character Recognition by Open source OCR Tool Tesseract: A Case Study[J]. International Journal of Computer Applications, 2012, 55(10):50-56.
Rajesh N, Prasad K D, Akhila N, et al. Exploratory Data Analysis to Build Applications for Android Developer[M]. Advances in Decision Sciences, Image Processing, Security and Computer Vision. 2020.
新冠病毒核酸10合1混采检测技术规范[J]. 中国病毒病杂志, 2020,10(5):330-332.
AH, APP, ARS, et al. Classifying Promotion Images Using Optical Character Recognition and Nave Bayes Classifier[J]. Procedia Computer Science, 2021, 179:498-506.
Drobac S, Krister Lindén. Optical character recognition with neural networks and post-correction with finite state methods[J]. International Journal on Document Analysis and Recognition (IJDAR), 2020, 23(4):279-295.
