智能化检验与患者服务

陈瑜，医学博士，教授/主任医师，博士研究生导师。现任浙江大学医学院附属第一医院检验医学中心主任，浙江省临床体外诊断技术研究重点实验室主任，浙江大学检验医学研究所所长，传染病诊治国家重点实验室副主任。国家“万人计划”科技创新领军人才。中国医师协会检验医师分会常委兼人工智能与检验医学专业委员会（学组）主任委员，中华医学会检验分会委员，浙江省检验学会主任委员。主要研究方向：感染性疾病发病机制研究及新型实验诊断技术研发。主持国家重大专项、国家973计划项目、国家863计划项目和国家自然科学基金项目等课题23项，获国家科技进步一等奖、中华医学科技奖一等奖、浙江省自然科学奖一等奖、教育部技术发明二等奖等8项。在国际顶级期刊《柳叶刀》等发表SCI论文150余篇，获国家发明专利16项，主编参编专著23部。

人工智能（artificial intelligence，AI）是智能机器模拟人类的智能进行判断、推理、学习、解决问题等相关活动。国卫办医函〔2018〕1079号《电子病历系统应用水平分级评价标准》、〔2019〕236号《医院智慧服务分级评估标准体系》、〔2021〕86 号《医院智慧管理分级评估标准体系》不断推进智慧医疗、智慧服务和智慧管理的建设内容。AI在检验医学中的应用，助力实验室成为智能化、智慧化、无人化的实验室。AI将加强现有检验技术和方法，它与检验分析前、分析中、分析后进行全面的整合和应用，可有效提升临床检验质量和效率，同时为患者提供更多的优质的医疗服务。

一、智能化检验的应用

AI在检验领域中的应用已取得了一些进展和突破。如自动审核在生物化学、凝血检验、血液学、尿液检测、病毒学等专业领域中临床应用，显著缩短标本周转时间并提升结果质量[1]。如数字细胞形态仪在外周血分类计数的重复性较好，灵敏度、特异度和正确率高，预分类、再分类结果与人工分类结果具有相关性[2]。但与用户的要求和期望仍有巨大的差距，应继续提升数据的完整性和准确性，研发可解释性的AI算法，加强数据信息与患者隐私安全，培养跨学科的AI人才[3]。当前，临床诊疗中信息负载高、医生重复劳动强度大、基层医院诊疗错误易发，最需要智能化、智慧化支持，以下内容介绍AI在检验中应用的典型案例。

1. AI+检验前：分析前检验质量控制是保证检验结果准确、可靠的重要环节，标本采集运送及前处理也是技术含量相对较低，重复性、感染风险高的工作环节，未来将逐步被智能物流机器人、自动化智能化硬件设备、过程管理及质量管理智能软件所替代。

（1）智能医嘱系统：通过集成临床决策支持系统，依据现病史、主诉、既往史、辅助检查等资料，可通过数据、模型、AI算法等辅助为医生诊疗工作提供决策支持和帮助，包括智能医嘱、辅助诊断、治疗方案推荐等。临床决策支持系统提供在线知识库、文献、循证指南，快速地获得检验项目相关知识，包括临床指征、诊断价值和适用性等。

（2）智能采血机器人：是一个实现规范化操作、减少分析前误差的解决方案。我国自主开发MagicNurse采血机器人可实现精准的可视无人穿刺，自动完成扎压力带、喷消毒液、装载采血针、装载采血管、识别静脉血管、精确穿刺、采血量控制、血液混匀等全链条血液样本采集工作，成功率高达90%以上。

（3）智能物流及机器人：智能硬件可包括贴标备管系统、样本自动传输和签收系统、智能分拣系统、自动离心系统及智能物流机器人，实现标本采集前自动贴标备管、标本外部运输、签收、分拣、计费、离心、实验室内部运转等全过程自动化、智能化，可执行不合格标本或者分析前TAT超时等的智能预警，全程基本无人为接触，提高样本运送周转时间、减轻人员工作负担、减少差错率、有效降低感染风险。

2. AI+检验中：实验室检验中的数字化和智能化涉及前（后）处理系统、中间件、智能质控、形态学智能化等，是智能化实验室的核心和主要代表，典型的应用有：

（1）前（后）处理系统：前处理包括确认样品/条码识别、归类、离心、样品质量识别及提示、去盖、分样、血标本管标记、插入仪器使用的标本架和转运、检后标本保存和复检。前(后)处理系统在生化、免疫中应用非常常见。另外，实验室信息系统利用对检验标本整个流转分析过程中的各个环节进行信息采集和有效监控，可实时进行标本分析前、分析中、分析后TAT监控及智能提醒；智能识别标本状态、检测并筛选出溶血、黄疸、脂血、凝块等异常样本并进行分类定位和提示；对不符合自动审核规则触动复检规则的标本智能启动重测、稀释、添加测试和备注报警信息等程序；智能识别样本预设的优先检测项目并自动进行优先离心、优先检测。

（2）实验室中间件：实验室中间件是介于传统的LIS和仪器（或轨道）之间的独立的系统软件或服务程序，集流水线管理和检验仪器智能管理为一体，能与LIS无缝衔接。中间件多由仪器厂家研发并提供给购买该仪器的实验室使用，常见的中间件有：雅培IM、贝克曼DM2、罗氏Cobas IT3000、西门子Centralink等。中间件主要功能有多台在线设备管理、自动质控、自动审核等，中间件实现仪器的高效连接和标本管理一体化，简化工作流程，弥补LIS的功能不足。

（3）智能室内质控：基于患者数据的实时质量控制（PBRTQC）是一种使用患者临床标本检测结果以实时、连续监测检测过程分析性能的质量控制方法。PBRTQC包括正态均值法、BULL法、移动均值法、移动中位数法、移动标准差法、指数加权移动均值法等算法。PBRTQC相比质控品QC法的优势有：无基质效应、识别分析前误差、可减少质控品检测频率，降低成本，与质控品QC法联合使用可实时、连续监测分析系统的分析性能稳定性及分析误差，可识别质控品选用不当及在更换质控品批号期间持续监控检测系统性能变化。PBRTQC在临床实验室的实施步骤包括信息系统选择、运算类型选择、数据采集、储存、提取、PBRTQC参数设置、运算程序/模型建立、性能验证、优化及实施应用[4]。

（4）试剂管理系统：可实现试剂耗材实验室、医院及供应商间全流程闭环管理、实时监控质量指标与经济指标，建立试剂耗材质量管理及生命周期智能追溯体系。基于患者大数据可实现最低成本，最大化效益的多阶段全面质量控制策略，进行分析全过程的质量风险智能监控、智能识别与智能预警。试剂冰箱采用RFID，自动识别试剂信息，感应其存储状态，解决盘点耗时耗力、采购补货不及时。结合电磁锁，通过刷卡或指纹对冰箱门禁管理，每一盒试剂的流向可控，最终实现一物一码溯源管理。

（5）智能运维系统 ：包括实验室环境控制系统、实验室冷链监控系统、实验室设备监控系统、实验室环境中央监控系统、实验室门禁系统、实验室视频监控系统等功能。其中，实验室环境控制系统由机房控制箱、现场控制面板根据传感器、执行机构状态信号，对新风机组、排风机、冷热源等设施设备的运行控制，实现实验室运行环境需求。实验室视频监控系统可对员工的个人防护、操作规范、上班时间等进行视频监控和报警。

（6）形态学智能化：形态学检验是最早使用AI技术的领域，主要采用数字图像技术、形态学识别与智能化判断相结合，对血液细胞、尿液有形成分、精液活力形态、阴道分泌物和宫颈细胞、病原微生物、染色体等形态等进行智能分析和检测，逐步提高检出率和识别率，保证检验结果的准确性。在形态学智能化中，如DI-60或MC-80数字细胞形态仪，主要AI技术有：①有形成分自动识别；②细胞形态学分析；③智能标本前处理；④结果自动确认。

3. AI+检验后：通常采用知识库、数据挖掘、人工智能等方法来提高检验结果自动审核、解释和临床沟通的质量及效率。AI技术发展迅速，也可用于疾病的诊断或风险预测。

（1）结果智能化审核：智能审核系统运算法则的数据要素全面涵盖分析前、中、后整个检验过程，主要包括临床信息、标本状态、室内质控、仪器状态、生物参考区间、分析测量范围、患者浮动均值、危急值范围、Delta检验、项目逻辑关系判断等设置自动审核规则，若触发人工审核规则时智能执行样本重测、稀释、添加测试或者备注报警信息等程序。并可通过智能手机、智能手表接收危急值结果报警、自动审核通过率等信息。在中间件设置智能审核系统可进行实验室标本检测的精准管理，对标本、仪器、质控、试剂、检测结果等进行实时监控，保证检测结果准确性及有效提高工作效率，缩短TAT、减少差错率、均衡员工技术差异、降低审核工作压力、人力减少、提高了危急值报告的准确及报时率，保证患者生命安全，降低医疗风险。实现分析后检验程序的标准化、自动化和智能化。

（2）智能化解释：AI作为一种技术工具，将来能实现复杂检验的智能诊断/解释/注释报告。如有国内文献报告建立一种基于人工智能的尿液检验结果解释性报告系统[5]。通过收集2008—2018年某医院患者2899917份、体检710971份尿检数据，统计每个项目不同结果的频数分布建立大人群分布，再根据数据分布、项目重要性和结果异常程度，建立每个样本的健康指数和各项目的异常等级。收集糖尿病、尿路感染、肾小球肾炎、肾病综合征等疾病数据，按性别、年龄匹配同数量的健康对照组。基于AdaBoost算法的集成学习器建立模型并评估算法性能。用JAVA开发数据展示软件。结果显示每份报告分为正常、异常、疾病、危重4个等级；单个项目结果判断为正常、轻度、中度、重度、极度5个等级并提供大数据的人群分布；基于AdaBoost机器学习模型运用于7种疾病的训练准确度（≥88.3%）、真阳性率（≥80.0%）、曲线下面积（≥0.954）。开发的JAVA软件展示上述结果，并包括病历和结果、历史结果、个性化建议、异常项目科普、在大人群数据中的位置等内容。异常尿液结果可能的疾病相似度，人工验证机器学习模型的准确率为82.41%。该研究建立了智能的结果解释性报告系统，能区分报告异常程度，具有较高疾病预测准确性，可提供个性化的临床决策信息。

（3）数据挖掘和疾病诊断：AI将有助于从数据中识别和设计特征并进行预测。各指标之间本就息息相关，不同的数值变化趋势反映出患者当前的疾病状态，组合多个数据类型可以弥补单一数据类型中的信息缺失，促进诊断灵敏度提高。在AI基础上，结合性别、年龄等人口统计学资料，进一步挖掘已有的结果与疾病之间的联系。AI可以应用于分子生物学检验的变异检测、基因组识别、变异分类和分析表型基因型的联系。

精确的诊断和治疗策略成为当今医学发展的目标，医学检验的发展应该特定的患者使用高度个性化数据。如文献报道[6]，通过机器学习算法挖掘常规检验大数据构建结直肠癌（CRC）风险预测模型。采用极限梯度提升、人工神经网络、支持向量机、随机森林4种机器学习算法挖掘患者的常规检验数据，选择模型特征并建立CRC的分类模型。采用XgBoost算法构建了包含粪隐血、癌胚抗原、红细胞分布宽度、淋巴细胞计数、白蛋白/球蛋白、高密度脂蛋白胆固醇和乙型肝炎病毒核心抗体7个特征的CRC风险预测模型CRC-Lab7。该模型效能优于粪隐血，且对粪隐血阴性及小于50岁人群的CRC具有较高的诊断准确性。

二、智能化患者服务

实验室提供多渠道的患者服务方式，如检验预约、结果查询、检验咨询、结果解释等。临床实验室还可进一步利用AI+大数据和互联网提供更优质的、更高效的检验服务。

1. 检验报告获取：自助取单系统改变了传统的人工取单方式，患者在自助取单机上刷诊疗卡、扫条形码或输入病历号，系统会根据输入的信息从数据库查找患者记录，获取标记为未打印的检验结果信息，自动打印出该检验报告单。在患者检验结果完成后，将检验数据同步到网络，通过医院官方网站、区域平台、APP或微信等多种渠道提供给患者查询。也可主动发短信推送检验结果信息和电子报告。

2. 检验结果互认：为提高医疗资源利用率，减轻人民群众就医负担，国卫医发〔2022〕6号制定《医疗机构检查检验结果互认管理办法》，建立互联互通、信息共享的信息系统。遵循统一标准，如项目编码、功能规范、互认接口、监管平台等，可实现全国范围内的检验结果互认和共享。实现各种医疗信息系统的整合，能有效解决信息“孤岛”问题，从而有效降低信息化成本，避免不必要的重复检查，减少群众就医负担，提升实验室服务水平。实现智能、高效、融合、经济的数据存储和传输模式，达到全国范围内的检验结果开单、校验、提醒、调阅、互认、监管的全过程数字化闭环流程管理。建设全国范围内的检验结果互认和共享平台标准，规范报告格式和模板，解决医生“不易认”、“不好认”等问题，达到提醒精准、调阅迅速、互认方便、操作便捷的软件功能。

3. 结果解释服务：实验室应实现高级别的临床决策支持，包括检验与分析前、疾病诊断、治疗干预、患者教育等智能分析和决策。解释性规则的建立应参照专著、文献、共识或指南等资料，使规则具有可解释性和循证医学依据，解释的结果才具有权威性[7]。基于解释规则的简洁性和逻辑关系的可理解性考虑，解释性规则均被总结为概括性的描述。每条规则的详情可显示：规则注释、可信度、依据及文献来源，可纳入患者的就诊科室、疾病诊断、用药情况等信息，来提高解释性规则的精准性。要针对非专科和初诊特别异常的凝血结果，应提供解释性注释。

4. 新检验服务模式：某医院提供自助检验开单服务和结算服务，减少患者就诊时间和检验服务满意度。第三方检验机构，可以搭建一个用户自组织的、集检验检测服务量身定制、供需对接、线上线下无缝连接的综合服务平台，提供线上订单、线下取样的O2O模式检验服务。实现自助申请或采样、检验抢单、结果解释的互联网新检验服务模式。

参考文献

温冬梅, 张秀明, 王伟佳, 等. 临床实验室生化免疫自动审核系统的建立及应用[J]. 中华检验医学杂志, 2018, 41(2): 141-148.

汪润, 杨明昱, 张静瑜, 等. 全自动数字图像分析在外周血细胞形态学检查中的性能评价及验证 [J] . 中华医学杂志, 2022, 102(4): 261-266.

贾音, 康金松, 刘善荣. 人工智能在检验医学应用研发中的问题剖析及应对策略[J]. 中华检验医学杂志, 2021, 44(10): 892-896.

温冬梅, 郝晓柯. 基于患者数据的实时质量控制建立原则及研究进展[J]. 中华检验医学杂志, 2022, 45(1): 82-86.

胡长爱, 杨大干, 叶章辉, 等. 基于智能数据和机器学习的尿液检验结果解释性报告 [J]. 中华检验医学杂志, 2021, 44(6): 524-531.

郭杰, 刘海东, 韦琴, 等. 基于检验大数据的结直肠癌风险预测模型建立与验证[J]. 中华检验医学杂志, 2021, 44(10): 914-920.

Hughes AEO, Jackups R. Clinical decision support for laboratory testing[J]. Clin Chem, 2022, 68(3): 402-412.