随着卫生信息化建设的不断完善，医疗大数据急剧增加，海量数据结合飞速发展的计算机技术以及统计学方法，可以更精确、更全面地辅助临床诊断，预测临床疗效、临床结局等。

如何有效地处理和利用庞大的医疗数据资源成为当下的重要课题，这一点在检验医学领域的应用尤其具有现实意义。

临床决策中约70%~80%的数据来自检验，医学实验室是各医院中产生大数据的主要科室。但检验数据体量巨大、种类繁多的特点严重制约了检验数据的规范化和系统化挖掘及利用。

国内医学实验室在检验大数据应用方面有哪些实践经验？检验医学大数据该如何使用？智慧检验如何赋能检验科高质量发展？

"2022年检验医学质量与信息化管理"圆桌论坛第四期 -【大数据在检验医学发展中的应用】于2022年7月7日晚19:00如期举办，会议邀请浙江大学医学院附属第一医院 - 陈瑜教授、北京大学深圳医院 - 纪玲教授、浙江省人民医院 - 周永列教授、重庆大学计算机学院 - 邹东升教授就国内医学实验室在检验大数据应用，检验医学大数据使用，智慧检验赋能检验科高质量发展等话题进行深度交流与探讨。

【7月7日直播回放视频】

专家讲座内容精要

《智慧实验室助力临床检验》

北京大学深圳医院 - 纪玲教授

为什么要建设智慧实验室

1、医院和实验室都面临成本管控和医疗质量提升的双重压力

医疗系统面临着人口老龄化、慢性病激增、患者数量和需求增加、医疗绩效改革、医疗质量提升、新的法律法规、组织变革以及行业整合等诸多压力。

实验室面临着患者更加准确及时以及咨询需求；医护的服务、培训和沟通需求；医疗环境、薪酬待遇、能力提升、文化建设和生物安全风险等内部压力；业务、科研和成本控制等的行政压力以及来自实验室标准和认可的行业压力。

既要实现实验室的成本管控，又要提升整体的医疗质量，这对实验室来说是非常有挑战性的。

2、实验室常见的浪费

医疗缺陷的浪费：人（数量、岗位、培训）、机（载量、故障、维护）、试剂（质量、库存）、样本（无效流程）；

行动的浪费：布局不合理、包房杂乱导致的无效行动；

库存浪费：过量的试剂、耗材等库存导致的财务成本、储存和搬运成本、失效和损耗增加；

等待浪费：员工、标本和设备的等待；

以上实验室常见的浪费虽然可以有意识发现，但也有可能被忽略，为应对这样的挑战我们需要智慧化实验室的建设。

智慧实验室是如何建设的

实验室管理人员每天面对检验全过程如此多的要素，该如何去进行管理？

检验全过程的核心要素

检验前过程

临床医生检验项目的选择方面，不同疾病的个性化检验项目选择设置和智能报告解读，当然这需要医疗机构具备信息化建设能力。

还有辅助护士的自动化样本采集，护工的自动化样本运输以及检验助理自动化样本接收等分析前智慧化建设发展正处于加速阶段。

检验中过程

流程优化：全自动流水线的使用，无论是血球流水线，尿液流水线还是生化免疫流水线，都使得样本的分、离心，分拣和分选工作实现自动化，同时也产生了大量数据，通过对产生的数据进行分析处理，进一步优化检验流程。

效率提升：图像识别在形态学上的应用，比如血细胞、体液细胞、染色体、细菌、细胞等中间件的使用，提升了复检效率和工作效率。

质量飞跃：实时质量控制和自动审核体系的建立，实现了检验质量的飞跃。

检验后过程

检验科产生了大量的数据，但是更多的是数据大，而不是大数据！得益于人工智能、机器学习等技术在检验医学领域逐渐发展和应用，推动了检验大数据的清理和整理，在大型三甲医院和教学医院建立项目的筛选和建模、疾病风险评估，疾病辅助诊断、预后分析等完整的临床决策系统。

北大深圳医院检验科的建设经验

基于人（培训授权）、机（仪器设备）、料（试剂耗材等）、法（文件记录）、环（环境控制设备）、测（结果报告）这6个方面，北大深圳医院检验科建设智慧实验室经验分享：

1、人员管理

在人员管理上做到信息化和智能化。档案完整，实时更新：基本情况、教育、科研成果、培训、授权认证、考试考核、资质证书、健康状态、家庭关系，线上线下培训可关联、课件可下载、培训情况可统计、证书可上传；人力资源一目了然：组织架构、岗位授权、人员授权、学历结构、职称结果、岗位人数、档案完成率；

2、设备管理

建立设备的全生命周期，包括设备列表、分类、报废审核、校准检定记录，维保记录、申购、保修的证书有效期等等相关行政管理。除行政管理相关内容以外，设备使用管理的内容包括：基本信息、过程信息、使用信息、档案清单、培训记录、维保记录与提醒、关联文档、使用授权、故障保修、配件文档。

3、试剂耗材管理

耗材是检验科也是上级领导也非常关注的问题，在库存管理方面，每个医院可能都有自己的经验。我院在信息化方面的尝试包括：开瓶有效期自动提醒，厂家注册证有效期超时自动提醒，系统自动订购试剂，试剂批号更换系统自动提醒并进行批号验证。盘库时间逐渐减少，账物相符率达到了95%以上，精益项目效果明显，还在院内获奖。

4、文件管理

文件管理从最初的文件层级类别杂乱、搜索查询困难、版本混乱，文件信息化之后，文件的分层分级管理更加的清晰明了，搜索和查询便利快捷，并且不断优化，现已纳入2000多个文件相关的表格，文件更新与换版一目了然，文件管理做到清晰、规范、动态、系统。

5、环境管理

原来环境管理存在监测/填报形式化，时效性滞后，闭环管理缺失等问题。24小时温度监控，报警信息自动发送到值班人员手机，为失控提供依据；温湿度系统联动空调、加湿器，智能调节并配合流水线启动，智能开关空调，节能省电。另外还有排水、浸水监控、门窗关闭监控，烟雾报警等24小时监控和智能警报，保障安全。

6、检验过程

安装视频监控系统，及时发现仪器故障，同时把相关的软件集中到iPad上面来，形成移动式的中央控制台（掌中宝实验室）。还有实验室大屏智慧预警，比如危急值、TAT超时、试剂缺失等。

检验过程中的远程控制，实现自动开机，自动质控；仪器载量平衡；样本量评估并进行核管，减少等待离心时间和采血量等；危急值流程优化，包括颜色标识、方便查找、自动弹窗、提醒复核、提醒发送；智能稀释：对有历史结果的患者，系统自动比对确定是否稀释；通过检验科公众号及时发送报告或者延迟通知，减少投诉和接电话次数。

7、检验过程监督

检验过程的监督纳入了20多条质量指标，各种质量指标全部上墙，提醒工作人员加强日常质量监督。

8、检验审核

基础检验标本量大审核的工作量也非常大，但存在审核标准不统一、过分关注实验室内部忽视临床沟通等问题。随着自动化程度的增高，自动审核版本不断升级，形成检验科的最强大脑，工作人员重点审核被拦截下来的标本，更多的精力用在临床沟通和处理的问题上。

除了不断提升自动审核的通过率以外，还有自动审核范围专科化以及“检验结果+预警+建议”的注释性报告模式，提升检验人的价值，临床医生也有好评反馈。

药物干扰的自动提醒，通过链接HIS里的用药信息，可以在LIS系统内审核的时候，跳窗提醒检验人员患者使用的药物信息，提高审核的正确度，有效解决临床问题。

总结

智慧实验室助力临床检验，其实是从多方面对检验医学的提升。当我们一线检验工作者面临杂事多、时间紧、咨询多等等问题，智慧实验室能通过精益管理、流程优化和专业提升的方式来满足实际需求。无论是效率效益、质量安全还是个人的价值实现，多方面助力检验人的整体提升。

《智慧检验赋能检验科高质量发展》

浙江省人民医院 - 周永列教授

检验科高质量管理要求

检验科高质量发展依托高质量的检验科管理，包括标准化质量管理，高效的科室运行，严格的安全管理，优质的服务能力，品牌化的学科建设和特色的科室文化建设，其中最重要的是临床实验室的标准化管理。

目前国内临床实验室主要依据的质量标准是ISO15189和《医院评价标准实施细则国家标准（2021版）》。这两者的比较区别如下：

那要实现标准化管理，首先需要标准化的质量控制指标，2015年国家卫健委临检中心也发布了15项质量指标。在这个基础上，2017年发布的行业标准《临床实验室质量指标》中又增加了一些质量指标。

质量指标是品牌，是服务，更是开展工作的抓手。抓住检验质量管理的牛鼻子-检验质量目标管理，才能使质量管理有目标可行。

智慧检验赋能检验科高质量发展

1、深化医改背景下，检验科面临的主要挑战

医改要求：调结构、腾空间；降价；限检验比；解组合；DRGs；分级诊疗。

质量要求：上报检验质量指标；医院等级标准要求；ISO15189标准要求；临床要求。

管理要求：结果互认；检验结果互联互通；医共体、医联体发展；第三方实验室；三级公立医院绩效考核。

2、如何应对高质量检验科发展的挑战？

如何要应对这些挑战，让检验学科能够高质量、持续发展？构建互联互通的智慧检验也许是应对当下困局的良策。

智慧检验建设构架以检验项目为核心实现检验全流程自动化、智能化调度和精准服务；以检验结果为核心实现检验医学服务智慧审核、智慧报告和智慧解读；以ISO15189为依据建立标准化质量管理体系；以结构化检验知识库为核心，实现专家化的检验服务。

3、智慧检验建设浙江省人民医院经验分享

智慧检验 - 检验前

医生工作站

护士工作站

标本不合格率逐年降低（总0.097%降至0.060%），血培养污染率降低明显（总1.05%降到0.42%）。

智慧采血

智慧采血通过微检验系统将过号处理、抽血预约、抽血摄像、病人信息内部提示、自动编号、节假日精准改变报告时间等功能无缝衔接，让病人就医体验感更好。

标本运送工作站

目标是高效和可溯源，通过智能运送将过程严格控制起来，降低标本运送的出错率以及提高标本的运送力。

标本工作站

智慧检验 - 检验前

全自动化检测

还包括自动开机、中央重点控制（CCV）实验室仪器管理理念、智慧检验报告等。

微生物工作站

智慧微生物检验全流程管理

外送检验工作站

智慧室内质控

自动审核

自动审核是检验科提高工作效率，防止出错，把有限的精力用在刀刃上非常重要的一个工具。通过把人工审核的经验总结转化为人工智能的审核规则，自动审核帮助检验科高校处理海量检测数据，是对实验室检测能力的有效补充。通过统一审核标准，推动检验报告向规范化迈进。做好自动审核需要结合实验室自身特点以及专科特点，不断进行本土化升级拓展。

危急值闭环管理

从发现危急值到确认危急值、发送危急值，最后到护士站里的自动打印，整个过程无纸化闭环管理。

智慧检验 - 检验后

智慧文档管理

临床实验室文档资料很多，怎样把大量的文档资料管理起来，也是实验室成员要考虑的。

智慧设备管理

智慧POCT管理

智慧质量指标分析

《检验医学的大数据如何使用》

重庆大学计算机学院 - 邹东升教授

机器学习原理简介

检验数据模型中，哪个指标可能对某一种疾病有重要的意义，这还仅仅停留在二维，而在处理检验医学领域实际问题的时候，其实维度是非常高的。如果说只是利用这种简单的规则来判断，其实相当困难。但是这些工作如果交给机器学习的算法来做，相对就比较轻松。

对于某一个病人得到一些检测的指标，这些指标作为输入的数字型的值，然后经过训练之后建立起的模型，最终输出相应的结果或者说是标签。这一点就是简单理解的所谓的人工智能所做的工作。

目前的机器学习在医学领域当中应用得非常多了，当然相对比较成熟的是在医学影像领域。

检验大数据分析

医院的LIS系统当中有非常多的数据，对于这种源源不断产生的数据，如果不利用人工智能的方式处理起来的确非常困难，而且实时性和成本等方面都存在很大的问题。

从使用的角度来讲，一是智能分析，从这些数据当中获得一些有价值的信息；二是数据的可视化，各类数据通过可视化的方式，提高时效性以及工作效率。

从数据分析的角度来讲，从检验科室的角度来讲，还是从检验师的角度，或者说是医院的角度，根据关注点的不同，关注什么就分析什么。

智能检验

人工的方式跟机器学习的方式区别是在于什么？人工往往基于规则进行判断或决策，对于人工智能来讲，它可以做非常复杂的拟合，可以寻找一个特别复杂的函数来帮助我们来做出相应决策。

1、智能开单

新进患者：根据患者基本症状数据，辅助推荐检验项目；已存患者：按照患者的既往就诊数据，依托大数据分析平台，进行筛选，针对性推荐检验项目。

不断整合大量临床数据，同时纳入文献中最新报道的证据和指南来修正已有的标准，为患者就诊提供个性化检验项目的的最优方案。

2、肿瘤标志物的发现

辅助或替代活检的金标准。比如肝癌标志物，以患者的外周血清为样本，九种升高，七种降低。

3、形态学检验

形态学检验方面目前的金标准仍然是是人工镜检，但人工镜检主观因素影响大，操作繁琐，耗费时间长，而且工作量较大，比较单调，不适用于大规模筛查。

但是用算法来做的话，可以在很大程度上减轻人的负担，而且相应的计算机视觉技术目前效果比较好好。

4、疾病诊断与预警

临床检验通常只用了比较有限的检验指标数据对疾病进行诊断，尽管很多临床检验数据没有明显超过现有指标正常的阈值，但其可能在某个区间内存在上升或下降的趋势，通过相应的算法可以实现检验数据与疾病症状的逻辑关系分析，从这些容易忽视的数据中挖掘出与疾病相关的新标志物。基于检验大数据的分析，还能实现指标重要性分析及挖掘。

5、远程诊疗

以糖尿病、高血压、心血管疾病等慢性疾病患者佩戴不受时空限制、高精度采集器自动采集到的心率、血压、血氧饱和度等生命体征数据实时传送给医疗大数据服务中心，AI算法再将分析出的异常报告发送给医生，最后医生对患者进行远程医疗指导和相关医疗建议。

6、智能审核

7、助力科研

通过大数据的方式来进行科研分析，分析科研动态变化。

检验工作中需要大量人力成本、重复性的工作以及需要高精尖的专家经验的工作都是能够利用人工智能模型来帮助的工作，也是检验数据能够发挥作用的地方。

会议讨论

全体嘉宾

问题1、在实验室信息化建设过程当中，还存在哪些难点或者影响因素？有什么好的建议？

纪玲教授：我觉得非常难的是有一个好的工程师，更难的是懂检验流程的工程师。

现在检验越来越依赖信息化，最大的问题就是检验与技术之间互相都不懂，需要花时间去相互交融。最关键的要有架构师，检验人要把流程梳理得很清楚，不是按照人的思维逻辑去梳理流程，而是要把人脑里面对检验项目的理解，按照电脑算法程序逻辑表达出来，做这种结构化流程的梳理，让工程师能够实现检验流程信息化。

所以架构师是最关键的，他可以是检验人员，也可以是信息工程师，只有两者之间的知识相互交融的足够，才能实现检验的信息化。最关键的还是要互相交融。

问题2、您医院在智能检验和机器学习上面有哪些经验分享？

陈瑜教授：我们科室有一群对信息化非常感兴趣的同志们，上个世纪90年代，从DOS就开始做起了，我们检验科的LIS系统和医院的信息系统都是自己做的，所以我们院有这样一个传统氛围。

2010年，在各位专家的帮助下，我们拿到了国家临床重点专科的经费，咬紧牙关从这笔经费中间拿出一部分钱，专职聘请了6位计算机专业，并让科室里懂检验又懂计算机的老师加入进去。到2012年年底时候，我们开发了一套智能检验系统，功能包括智能审核、检验知识库以及智能检验报告。例如通过血尿常规结合患者病史，可以推断急性肾小球肾炎的概率，检验人员可以通过自身经验将可能性更高的推断结论点送给临床医生看，凸显检验人的作用，当然这块东西仍在探索中。另外技术上高水平的交叉技术人才，往往不是轻易能留住的。科室把他培养到水平很高了以后，因为这部分人才的稀缺，也会有跳槽的可能。

问题3、利用患者数据来做实时动态的室内质控，在数据清洗或者算法的构建方面，您有什么好的建议？

邹东升教授：患者数据实时质量控制，相对于传统方式，它有它自身的优势，目前已经成为传统质量控制的重要的补充。

患者数据实时质量控制实际应用过程当中也是比较有挑战性的，比如它的参数的优化非常困难。随着实时质量控制的实施，需要把统计的方法向人工智能的方式来转变。

在具体做的过程当中，通过获取这些数据，对于数据质量，重复数据的判定清理以及缺失数据，可以用统计的方法和机器学习的方法来进行填补，还有像异常值也可以进行处理。总之在实际运用当中，需要根据每一个项目自身的特点，选择合适的参数。比如剔除特殊疾病患者或者不同的患者群体设置不同的参考范围。

问题4、检验工作当中，哪些是需要耗费大量人力成本，并且具有明显的重复性的工作？

纪玲教授：分析前：科室外部如果标本运送划归检验工作的话属于所谓重复性工作。科室内部首先扫码就属于，因为有时候扫错、有时候扫不出来等各种原因，当然条形码的出现已经解决了绝大多数实验室的问题，以前都是编数字、编号码、编顺序，检验项目还需要人手工去点选。还有标本离心、上机，这些动作看起来都很简单，但是都是要重复去做，也缺乏成就感。

分析中：质控方面自动质控和患者数据实时质控也能减少大量手工操作；还有血清指数以前都是人眼看，现在流水线就可以进行相关的处理并提醒，不再需要资深检验人来做；还有盘库很花时间，里面漏洞也很多，做好信息化影响很大；还有设备的维护保养，目前仍存在大量手工操作，当然也有推给厂家去做，看似好像把检测人员解放出来，但是我认为这些不见得是对的，有些工作我还是觉得是应该我们的人做，尤其是日常保养，当然有系统能够监控会更好。

分析后：自动审核，我觉得叫智能审核更好，因为规则是人放进去的，它不是自动产生的，所以要形成这些规则，你还是通过人脑的智慧才总结出来这些规则。在审核这部分，如果只是看数据就发报告其实也是重复的劳动。

标本稀释检测以及危急值处理，都是很繁琐的一些工作，但是在各个医院信息化程度不同，所以对科室的流程和效率的影响也会不一样。

陈瑜教授：我感觉检验科很多工作就是重复劳动，因为自动化人力成本下降了。原来手工时代需要10个人的工作可能现在2个人就完成了，另外8个人被机器替代了。确实人工智能在检验领域有很多可以作为的东西，我们也希望人工智能把检验科的医生从重复劳动中解放出来，让检验科医生不再是针对标本而是针对患者服务。

问题5、在什么样的检验结果下，需要多位专家依靠丰富的经验来进行综合的研判？

陈瑜教授：随着技术的进步，临床诊疗的要求逐渐提高，新技术的应用有别于传统的常规检验，我称之为“复杂检验”。复杂检验不仅是技术操作流程复杂，而且其结果的判读是仅凭普通技术人员的知识面无法完成的。

复杂检验包括肿瘤的基因测序，靶向药物的选择等。靶向药物和免疫抑制剂药物越来越多，并非既往的有突变就是有效果，现在临床对于药物的选择越来越慎重。

还有遗传病的基因检测也是基于测序技术的，但具体后代遗传风险到底有多大，这个问题很重要，但不是技术人员能回答的。

还有一些复杂的感染，比如我院的二代宏基因组测序，我作为检验医师之一（另外还有2位博士），每天在发报告之前，都会仔细检查每一份报告，目的就是从临床的角度来判断报告的准确性。因为测序的本质类似大数据，通过软件推算出结果，有时候病原体检测结果只有一条，但是这一条的结果它恰恰是对的，并不是假阳性；有的时候可能10条测序结果都不对。随着今后对疾病的深入研究和完善，软件系统的逐渐优化，这些问题也是能解决的。人在检验过程中的作用还是机器替代不了的。

再者，复杂检验的人力成本投入颇高，而且不是一般本科生能完成的。它需要经过系统性培训，有一定临床思维能力的临床医学博士参与。从这个角度来讲，促进了技术进步，对于检验医师的培养大有好处。

未来检验可以把重复劳动交给两种机器，一种机械的机器，一种是智能的机器。以上是我的看法，希望各位专家指正。

问题6、根据患者大数据的潜在规律，如何挖掘检验结果背后，对患者的诊断或者鉴别诊断的直接价值，甚至就直接提供检验诊断？

邹东升教授：我觉得这正好是计算机领域应该发挥作用的一个地方。从我们学计算机的角度来讲，工作的理想状态是早上起来跑了一个程序，然后今天的事情就算做完了，等着下班，很多工作能够自动智能完成。

挖掘患者大数据背后的潜在规律，我觉得这是机器学习发挥作用的地方。如果在保证数据质量的前提下，根据任务特点选择合适的机器学习方法，建立比较有效的模型，进行这种诊断的提示或者预警。这种案例模型的方法除了具有比较好的效果之外，其实在医学领域当中有一个很重要的点在于可解释性。

如果算法模型给出结果之后再有一个可解释性的结果给到临床医生，这些指标刚好跟他心中的这些知识和经验相互印证，那么这样的结果就是比较可靠或者说是比较令人信服的。

所以说依靠专家的经验人工研判的工作以及大量重复性的工作，在保证数据质量的前提下，可以由模型或算法进行部分的替代，或者说辅助性来做。