目的:建立血液分析检验结果人工智能（AI）审核规则。方法:纳入2019年8月1日至31日吉林大学第一医院住院患者血液分析数据18 474份，作为AI审核规则训练组，采集其对应的患者年龄、镜检结果、临床诊断信息，以血液分析报告参数、研究参数、报警信息等92个实验室参数作为AI审核规则的候选条件；依据镜检的人工审核作为审核标准，标注是否通过或拦截；采用决策树算法，通过高强度、多轮次及五折交叉验证，初步建立AI审核规则，通过设置重要病例必中，以优化AI审核规则。采用卡方检验比较AI审核规则与自动审核规则的假阴性率、精确率、召回率、F1分数、通过率等指标，评价AI审核规则性能。收集2023年11月1日至31日吉林大学第一医院检验科12 475份住院患者血液分析数据作为验证组，将AI审核规则模拟用于结果审核，分析AI审核规则的性能指标，验证AI审核规则的性能。结果:AI审核规则由15项规则、17条参数构成，能够分辨计数和形态异常。与自动审核规则相比，AI审核规则的训练组真阳性率、假阳性率、真阴性率、假阴性率、通过率、正确率、精确率、召回率、F1分数分别为22.7%、1.6%、74.5%、1.3%、75.7%、97.2%、93.5%、94.7%、94.1，均优于自动审核规则，差异具有统计学意义（ P<0.001），且无重要病例漏检。验证组真阳性率、假阳性率、真阴性率、假阴性率、通过率、正确率、精确率、召回率、F1分数分别为19.2%、8.2%、70.1%、2.5%、72.6%、89.2%、70.0%、88.3%、78.1，与自动审核规则相比，假阴性率较低、假阳性率和召回率稍高，差异具有统计学意义（ P<0.001）。 结论:利用机器学习的决策树算法建立并验证的血常规AI审核规则，能较稳定地识别、拦截与提示异常结果，与自动审核相比在血液分析检验结果报告中更加简便、高效、准确。

目的:根据肿瘤患者群体的血细胞分析的特点和常见问题，制定符合肿瘤患者的血细胞分析自动审核方案，验证评价方案的有效性和审核效率。方法:将国际血液学组织提供的“国际41条复检规则”和天津医科大学肿瘤医院自建的复检规则分别与国内多中心自动审核规则进行组合，形成两种自动审核方案。选取天津医科大学肿瘤医院10 063份血常规标本（镜检460份）作为自动审核方案建立组，在仪器中间件中进行回顾性判断，比较不同方案的自动审核通过率和自动审核漏检率等各种指标。通过逐一分析漏检标本的数据，结合肿瘤患者诊断治疗特点对自动审核规则进行调整。通过对19 300份血常规7日内血小板数量变化进行分析，制定血小板计数的Delta检查规则。将血小板计数Delta检查规则与调整后的审核规则合并形成我院自动审核规则，再结合我院复检规则形成我院的自动审核组合方案，并对自动审核方案建立组和验证组（10 876份，其中镜检1 740份）标本进行判断。EDTA依赖性假性血小板减少症（EDTA-PTCP）患者标记提示和Delta规则判断功能在LIS中进行，其余规则判断功能均在中间件中执行。经过4个月61 602份标本的临床试运行，综合评价自动审核方案的有效性。结果:国际41条复检规则、我院复检规则与国内多中心审核规则组合形成的两种组合方案的自动审核通过率分别为46.36%、52.26%和漏检率分别为2.02%、1.06%，我院的自动审核方案在建立组和验证组的自动审核通过率分别为51.19%、52.78%，通过正确率分别为100%和99.95%，漏检率分别为0和0.03%；临床试运行期自动审核通过率为56.06%，通过正确率为100%，无漏检标本，优于目前主流规则组合的自动审核方案。自动审核周转时间（TAT）中位数缩短15 min， P90缩短58 min，明显低于去年同期。“EDTA-PTCP”患者标记功能共识别31例特殊患者，总共进行68次检测，PLT纠正前后差值中位数76.5×10 9/L，差异有统计学意义（ Z=-7.17， P<0.001）。 结论:本研究建立了适合肿瘤患者群体的自动审核组合方案，在很低的漏检率的同时具有较高的审核通过率，能保证我院肿瘤患者检验结果的准确，提升工作效能。

目的:建立多中心凝血检验结果的自动审核规则，在保证检验质量的同时减轻人工审核及复检工作负荷，缩短周转时间（TAT）时间。方法:收集来自14家医院检验科2019年12月至2020年3月期间凝血标本共14 394份：规则建立组11 230份（含Delta check 1 182份），规则验证组3 164份（含Delta check 487份）；临床试应用77 269份。应用Sysmex CS系列全自动凝血分析仪检测凝血酶时间（TT）、凝血酶原时间（PT）、国际标准化比值（INR）、活化部分凝血活酶时间（APTT）、纤维蛋白原（FBG）、D-二聚体（DD）、血浆纤维蛋白（原）降解产物（FDP）同时将临床信息、仪器参数、检测结果、临床诊断、抗凝药物使用和HCT、TG、TBIL、DBIL等相关信息汇总；根据历史数据从小到大排序后累积第2.5和97.5百分位数，根据临床建议、危急值、特殊用药史和相关指南确定自动审核拦截条件及限值；进行一期和二期验证，分别计算阳性符合率、阴性符合率、假阴性、假阳性、自动审核通过率、通过正确率（与人工审核一致率）和TAT时间。结果:（1）自动审核规则33条，涉及TT、PT/INR、APTT、FBG、DD、FDP、Delta check、反应曲线及性状异常；（2）规则建立组自动审核通过率为68.42% （7 684/11 230），假阴性为0（0/11 230），与人工审核一致率为98.51%（11 063/11 230），其中阳性符合率为30.09%（3 379/11 230），阴性符合率为68.42%（7 684/11 230）；规则验证组自动审核通过率为60.37%（1 910/3 164），假阴性为0（0/11 230），与人工审核一致率为97.79%（3 094/3 164），其中阳性符合率为37.42%（1 184/3 164），阴性符合率为60.37%（1 910/3 164）；（3）自动审核规则试应用，77 269份凝血检测标本，检验结果报告平均TAT缩短分别为8.5~83.1 min。结论:本研究建立了凝血检验结果自动审核规则33条，验证显示能够在保证检验准确性的同时缩短TAT，提高凝血检验效率。

手术室在药品的使用及管理全过程中存在用药错误风险。手术室用药错误类型包括处方/医嘱开具错误、处方/医嘱传递错误、调剂错误、标签错误、配制错误、给药技术错误、监测错误、药品储存错误和基数药品设置错误等。用药错误的风险因素主要存在于手术室处方开具与传递、药品调剂和分发、给药与监测及药品管理等环节中。手术室用药错误的防范策略包括技术策略（强制和约束策略，实施自动化和计算机化、制定标准化标识和流程、建立审核项目清单）和管理策略（推荐手术药房管理模式、加大临床药学支持力度、手术室内药品分区存放、合理配置人力资源、规范药品养护管理、倡导安全用药文化、加强基于岗位胜任力的专业技能培训等）。本指导原则适用于参与手术室药品使用和管理的所有人员。

目的:建立全自动尿液分析系统自动审核规则并对其进行验证，在保证结果可靠性的前提下提高检验效率。方法:收集来自北京大学航天临床医学院航天中心医院、上海交通大学附属第六人民医院、广州医科大学附属第一医院、温州医科大学附属第一医院和山西省人民医院5家医院检验科2019年9月至2020年4月期间的尿液标本共5 359份，其中建立表观健康人群参考区间组355份，规则建立组3 449份和规则验证组1 555份。以显微镜检查结果作为金标准，应用贝克曼库尔特全自动尿液分析系统对尿液标本进行检测，建立尿液分析系统自动审核规则。各实验室均进行严格的室内质量控制，保证结果的准确性和稳定性。在规则建立阶段计算正常人群参考范围和自动审核规则结果（包括真阳性率、真阴性率、假阳性率、假阴性率、自动审核通过率），规则验证阶段计算自动审核规则的性能指标包括（有效拦截率、无效拦截率、有效审核率、无效审核率、自动审核通过率、自动审核通过正确率）。结果:以显微镜检查结果为金标准，初步建立贝克曼库尔特全自动尿液分析系统自动审核规则，其自动审核通过率为52.51%（1 811/3 449），显微镜检查率为2.58%（89/3 449），假阴性率、假阳性率、真阴性率和真阳性率分别为2.26%（78/3 449）、11.86%（409/3 449）、47.00%（1 621/3 449）和38.88%（1 341/3 449）。验证数据与规则建立数据一致并有一定提升，最终设定20条自动审核规则，其有效拦截率、无效拦截率、有效审核率、无效审核率、自动审核通过正确率分别为38.52%（599/1 555）、10.35%（161/1 555）、49.07%（763/1 555）、2.06%（32/1 555）和87.59%（1 362/1 555）。结论:应用全自动尿液分析系统自动审核规则能够提高尿液检验的效率，节省人力，同时保证检测结果可靠性。

目的:建立一种适用于国内成人肠外营养液(TNA)渗透压摩尔浓度的预测公式。方法:对2019年7月至9月北京协和医院药剂科配制的2 480份个体化成人TNA，使用全自动冰点渗透压测定仪测定其渗透压摩尔浓度，并对结果进行Pearson χ2检验及多元线性回归分析，建立TNA渗透压摩尔浓度预测公式。 结果:TNA样品渗透压摩尔浓度平均值为(1 164.20±252.59)mOsm/kg。最佳渗透压摩尔浓度拟合公式为(9.66A＋7.88G＋3.52F＋36.4Na＋27.55K＋3.38P＋7.46W-250)/V。结论:预测公式能更准确快速预测TNA渗透压摩尔浓度，为临床TNA处方制定、审核及给药途径选择提供参考。

目的:评价全自动数字图像分析（DIA）系统用于外周血细胞形态学分类计数的性能。方法:选取北京大学第一医院血常规检验外周血涂片379份，疟原虫感染外周血涂片18份，经瑞氏-姬姆萨染色，通过DIA系统完成白细胞（WBC）预分类（DIA直接分类）、再分类（DIA分类后人工审核），以及人工直接显微镜分类。分别计算DIA系统的批内及批间变异系数（ CV）进行重复性验证；以人工分类结果为金标准，计算DIA系统检测的灵敏度、特异度、正确率。并对其外周血原始细胞形态学计数、血小板（PLT）形态学计数及疟原虫形态学检查能力进行验证。 结果:除嗜酸粒细胞、嗜碱粒细胞外，DIA系统对正常样本WBC分类的 CV均<10%，异常样本WBC分类的 CV随所占百分比减低而增大；DIA系统进行WBC预分类的灵敏度、特异度和正确率分别为90.5%、99.2%和98.2%。触发原始细胞报警的血涂片经DIA系统预分类、再分类后，其结果均与人工分类结果具有相关性（ r=0.812、0.983，均 P<0.01）。DIA系统血小板形态学计数与血细胞分析仪计数结果具有相关性（ r=0.946， P<0.01）；两种方法计数血小板偏差绝对值<15%；血小板聚集及巨大血小板增多样本偏差绝对值均>15%。经DIA系统采集图像的18份疟原虫阳性外周血涂片，其中17份检出疟原虫滋养体，且图像清晰。 结论:DIA系统进行外周血分类计数的重复性较好，灵敏度、特异度和正确率较高；其预分类、再分类结果与人工分类结果具有相关性。

目的:建立和验证尿液分析检验结果的自动审核规则。方法:2019年12月至2020年3月收集来自吉林大学第一医院、空军军医大学西京医院、上海市第一人民医院、四川省人民医院、厦门大学附属第一医院、昆明市延安医院、山东大学第二医院共7家医院检验科的尿液分析常规样本共7 405份：其中用于规则建立组5 246份，规则验证组2 159份。应用Sysmex UC-3500尿液全自动干化学分析仪以及Sysmex UF-5000尿液有形成分分析仪检测尿液标本，同时按照第四版操作规程中尿沉渣镜检标准流程进行尿液样本的离心、镜检，将临床信息、仪器参数结果、仪器报警信息、仪器提示信息和镜检结果汇总，利用统计学方法筛选自动审核条件，将自动审核规则录入仪器软件，分别计算真阴性率（有效审核）、假阴性率（无效审核）、真阳性率（有效拦截）、假阳性率（无效拦截）、镜检率、自动审核通过率和通过正确率。应用自动审核规则模拟审核7家医院1个月内的尿液分析常规检测结果，比较自动审核规则应用前后TAT变化。结果:（1）通过优化组合，选定了用于自动审核的拦截规则16条，拦截后的关联处理需镜检的有8条，需人工审核的有8条。（2）自动审核规则建立组中5 246份样本其假阴性率为2.4%（128/5 246），镜检率16.5%（864/5 246），自动审核通过率为60.4%（3 169/5 246），通过正确率为72.1%（3 780/5 246）。（3）规则验证组中2 159份样本其假阴性率为3.3%（71/2 159），镜检率19.6%（423/2 159），自动审核通过率为62.9%（1 357/2 159），通过正确率为75.5%（1 630/2 159）。（4）应用尿液自动审核规则分别对7家医院一个月内的标本进行TAT模拟分析，结果显示TAT明显缩短，下降率分别为45.30%、52.85%、43.13%、38.44%、41.34%、51.77%和30.2%。结论:成功建立了尿液分析检验结果的自动审核规则，并通过了临床标本验证。

目的:基于卷积神经网络开发头影测量自动定点模型，以期为智能识别头颅侧位X线片上缺失的标志点并高精度实现头影测量自动定点提供参考。方法:收集2015年1月至2021年1月于首都医科大学口腔医学院正畸科就诊的错 畸形患者的481张头颅侧位X线片，其中男性240张，女性241张，年龄（24.5±5.6）岁。以5名正畸专业研究生为标注人员，手动定位481张头颅侧位X线片中的61个头影测量标志点；以2名正畸主治医师为审核人员，进行定点校准；以2名正畸主任医师为仲裁人员，作出最终决策。建立数据集：其中341张作为训练集，40张作为验证集，100张作为测试集。研发一种基于卷积神经网络（CNN）的自动定点模型CephaNET，通过将原始图像输入特征提取模块和卷积姿态机模块，使用深监督技术，训练CephaNET模型高精度定位标志点；将训练集通过直方图均衡化、裁剪、调节亮度，增强为1 684张，训练模型对比网络输出的高斯热力图与设置的阈值，以识别标志点缺失情况。测试集100张头颅侧位X线片用于检测模型的准确性。评价标准使用缺失标志点［颈点（Cv点）和Bolton点］识别成功率、平均径向误差（MRE）以及2.0、2.5、3.0、3.5和4.0 mm范围内成功检测率（SDR）。 结果:针对1张头影测量X线片，CephaNET模型平均在0.13 s内识别并定位61个常用标志点；Cv点识别成功率为92.7%（38/41），Bolton点识别成功率为94.3%（50/53），平均为93.5%。测试集MRE为（1.19±0.91）mm，2.0、2.5、3.0、3.5和4.0 mm范围内SDR分别为85.4%、90.2%、93.5%、95.4%、97.0%。结论:本项研究研发的自动定点模型可适应头颅侧位X线片标志点缺失的情况，并高精度定位61个常用的头影测量标志点，满足不同头影测量分析要求。

目的:对比人工与人工智能分析对糖尿病患者眼底照相眼底病变判别的一致性。方法:回顾性研究。2018年5月至2019年5月郑州大学第一附属医院内分泌科连续收治的糖尿病患者1053例2106只眼纳入研究。其中，男性888例，女性165例；年龄20~70岁，平均年龄53岁。所有患者均采用日本Kowa无散瞳眼底照相机进行眼底检查。采用上工眼科云网筛查平台人工智能分析自动检测渗出、出血、微动脉瘤等糖尿病视网膜病变（DR）的特质性病变，并根据DR国际分期标准对图像检测结果进行自动分级。由两位主治医师进行人工分析，并由主任医师审核，以保证人工分析的准确性。两种分析方法分析结果存在差异时，以人工分析结果为标准。计算并对比两种分析方法的一致率。一致率＝（诊断结果相同眼数/总收集有效眼数）×100%。对人工分析和人工智能分析结果进行Kappa一致性检验，0.0≤ κ<0.2为一致性程度很差，0.2≤ κ<0.4为一致性较差，0.4≤ κ<0.6为一致性中等，0.6≤ κ<1.0为一致性较好。 结果:2106只眼中，排除因病情严重人工智能无法识别64只眼，最终纳入分析2042只眼。人工分析与人工智能分析结果完全一致者1835只眼，占89.86%；分析有差异者207只眼，占10.14%。两者差异主要表现为：（1）人工智能分析为点状出血、渗出，而人工分析为正常96只眼（96/2042 ，4.70% ）；（2）人工智能分析为玻璃膜疣，而人工分析为点状渗出71只眼（71/2042，3.48% ）；（3 ）人工智能分析为正常或玻璃体变性，而人工分析为点状渗出或出血或微动脉瘤40只眼（40/2042，1.95% ）。人工分析、人工智能分析对DR的诊断率分别为23.2%、20.2%，对非DR的诊断率分别为76.8%、79.8%。人工智能判读符合度达87.8%。Kappa一致性检验结果显示，人工分析和人工智能分析诊断结果呈中等一致性（ κ=0.576， P<0.01 ）。 结论:人工分析与人工智能分析对糖尿病患者眼底照相眼底病变判别呈中等一致性。人工智能判读符合度达87.8%。