自21世纪以来，SARS、埃博拉、COVID-19等新发突发传染病频发爆发，给医院应急管理带来了巨大的挑战^[1-3]。人工智能（artificial intelligence, AI）技术目前正深刻变革临床诊疗、患者服务、科研教学、和感染预警等医疗领域^[4]。然而，AI在感染防控行为管理中的应用研究仍然较少^[5]。已有证据表明，利用AI管理医务人员的感染防控行为，有助于预防疾病传播，降低职业暴露风险^[6]。面对未来可能再次爆发的公共卫生事件，开发精准的监测预警系统，并利用AI技术赋能感染防控行为管理，已成为提高医疗机构感染防控水平的新动力。本文采用Arksey和O'Malley^[7]、Levac等^[8]提出并细化的范围综述方法，汇总国内外文献，旨在厘清AI技术在感染防控行为管理中的应用现状与挑战，以及探讨未来的研究方向。

1 资料与方法 1.1 文献检索

检索从数据库建立至2025年3月19日期间收录于MEDLINE、EMBASE、EBSCO、Cochrane library、Web of Science、CNKI、中华医学期刊等数据库的文献。英文关键词包括healthcare、hospital acquired infection、nosocomial infection、infection prevention and control program、artificial intelligence、machine learning、internet of things、intelligent technology、computer vision、conventional neural network、monitor等。中文关键词包括感染预防控制、医院感染、院感防控、人工智能、计算机视觉、基于AI等。

1.2 文献纳入与排除标准

纳入标准：(1)报道AI技术应用于医疗机构感染防控相关行为的中英文文献。排除标准：(1)涉及医院感染相关监测、预警的人工智能系统；(2)涉及患者筛查、诊断和其他与感染预防和控制无关的文章；(3)无法获取全文的文献。

1.3 文献筛选

文章由一位作者评估，通过阅读文题和摘要，查找和阅读全文进行初筛和复筛，有争议的文章由第二位作者共同评估。提取的内容包括感染防控行为的主题领域，研究类型，研究内容和涉及的人员/科室。

2 结果 2.1 文献基本情况

研究流程图如1所示。共纳入15篇文献，其中8篇关于AI在手卫生方面的应用，5篇围绕个人防护装备（personal protection equipment, PPE）开展，1篇围绕血透防控，2篇涉及环境卫生。

2.2 结果综合一览

最终纳入文献总结见表 1。

2.3 AI技术在监测手卫生方面的应用

直接观察是调查手卫生依从情况的金标准。然而，由于对人力资源的高要求，在实践中观察到的所有手卫生机会不到1.5%^[23]。在过去十年中，各种技术被用于监测手卫生，例如射频识别，视频摄像，低功耗蓝牙等^[24]。Singh等^[13]利用卷积神经网络，训练机器学习算法来检测ICU监测图像中手卫生装置的使用情况，然后将该算法的准确性与金标准进行比较。研究结果发现机器学习算法的敏感度和特异度分别为92.1%和98.3%，与金标准的符合率为96.8%，用计算机视觉算法检测手卫生装置使用情况相当于直接观察。中国一家三甲医院同样利用快速手消出液器开关量信号采集与视频序列识别结合的方式，在医护人员取用快速手消液后，由系统采集手卫生动作，通过机器学习的方式对手卫生动作进行分析，初步实现手卫生的监管^[12]。

不同于上述基于产品使用情况的观察，意大利的一项研究提出了一种能够自动实时分析深度相机获取的图像序列以直接评估洗手过程的系统。值得一提的是，该研究通过重叠滑动窗口考虑了时间信息，实现了洗手过程分割难点的攻克^[10]，成功评估洗手过程的质量。Kim等^[16]同样证明基于3D卷积神经网络的视频分析手卫生的准确性和特异性。另一项研究不仅对洗手动作进行了识别，还将洗手动作与洗手人员的身份结合在一起，同时对多人洗手进行区分监管^[11]。

门诊环境中患者-医生接触的频率很高，然而在门诊开展的手卫生监测研究数量寥寥无几。Geilleit等^[14]在门诊开展的一项实时手卫生通知机器学习系统表明，该系统能够将门诊的手卫生依从性提高近两倍，估计每年能够减少440例与门诊手卫生及时性相关的流感样疾病的发生，该系统的年运行成本估计比直接观察低46%（31 791美元）。该调查还发现医护人员一致认为实时反馈系统有可能改善手卫生依从性。实时手卫生通知机器学习系统能够实现实时手卫生的通知，为改善和监测手卫生提供了一种有前途的经济有效的方法。上述研究均侧重研究如何应用AI技术，而有一项研究关注在AI技术对用户福祉的影响，75%比例的受访者对基于AI的手卫生监测系统表示满意；研究认为基于AI的手卫生监测系统满意度越高，提供者幸福感越高^[9]。Wong等^[15]发现AI机器人的引入显著改善了日间化疗中心患者的手卫生情况，一定程度拓宽AI在患者感染预防控制中的实践。

2.4 AI技术在个人防护装备穿戴方面的应用

5篇研究报道了AI在PPE领域的应用。正确使用PPE是防控行为中的最后一道防线，对防止污染和疾病传播至关重要。黄晓霞等^[12]人结合机器学习与深度学习系统对穿戴口罩与工作帽的视频进行识别，通过5G传输，在短时间内触发警报，提示医护人员及时穿戴防护用品。Segal等^[17]开发了人-人工智能系统，使平板电脑可以作为一面镜子，在穿和脱的过程中提供关于个人防护装备穿戴和脱下过程遵守情况的AI实时反馈，并能够由远程人工同时查看，后者在需要时提供额外支持和音频纠正反馈。更惊喜的是，该系统表现了百分百的准确率，其中AI能够在89%的步骤中自动执行，而无需远程人工纠正。一项针对74名医护人员进行的研究具体分析了AI在判断PPE穿戴情况上的性能，该AI-PPE平台对脱个人防护装备的敏感度为98.9%，对穿个人防护装备的敏感度为85.3%^[18]。Huang等^[6]构建了一种新的基于人工智能的培训和监测系统（AITMS），通过AITMS医护人员穿戴/脱下个人防护装备的准确率由52.15%显著提升至98.14%，同时医院感染的频率随着AITMS的使用而下降，医院感染的频率由2019、2020的1.31%和1.39%降至2021年的0.58%和2022年的0.38%。Kim等^[19]证明自动化计算机视觉检测优于人类观察，它具有同时追踪多个个体，不易受时间影响的优点。

2.5 AI技术在血透操作感染防控行为方面的应用

1项研究探索了AI在血透操作感染防控行为领域的应用，观测包括内瘘上、下机操作，透析导管上、下机操作，透析管路密闭式冲洗，静脉用药等6个行为中的手卫生执行、个人防护、皮肤消毒、物品和环境消毒情况。结果表明系统使用前后（除导管断开外）护士操作规范率有显著提升。计算机视觉监测到血液透析操作的正确识别率达90.1%，与人工观察结果接近^[20]。研究同时指出血透操作全过程如透析导管的置入、医疗废物处置等的空白数据有待补充。

2.6 AI技术在环境清洁消毒方面的应用

2项研究报道了AI在医院环境卫生中的应用，主要用途包括紫外线消毒与环境清洁^[21]。在新冠疫情席卷全球的背景下，紫外线消毒机器人系统正在兴起，诸如“蓝海机器人”、“UVD机器人”和“Kenex”等机器人正在世界各地的医院中运用^[22]。人工智能消毒机器人能够对物体进行有效识别，对按钮、手柄、桌子、椅子和人的准确率分别为90%、93.3%、90%、93.3%和100%^[25]。

3 讨论

医院感染是医疗保健中最常见的不良事件，也是全球关注的公共卫生问题^[26]。医院感染防控行为的管理是有效预防和控制医院感染的基础。然而，人工监测大量的感染防控行为不仅成本高昂、人力资源有限而且缺乏标准化。随着AI技术的发展，AI为医院感染防控提供了新的工具和潜力，一方面它可将感染防控行为管理标准化，另一方面降低管理成本和节省时间。

据报道，截至2020年5月，130个国家有152 888位医疗工作者的感染COVID-19，其中多达17 000人死亡。20世纪以来多次重大疫情中始终存在医疗工作者由于个人防护不当造成感染的情况^[1-2]。传统的集中式院感培训模式存在很多局限性，如费时费力，无法保证所有受训者都正确掌握，不能及时对过程进行监督和纠正。在未来可能再次面临突如其来的突发公共卫生事件背景下，利用AI管理医院感染防控行为能在短时间内对大量人员进行严格且高质量的培训与实时反馈，减少职业暴露，提高医院紧急疫情的应对能力。

此外，利用AI常态化管理感染防控行为，有助于实现“无伤害、无感染”的优质医疗服务。ICU是医疗机构中医院感染发生率最高的科室，患者发生感染的风险是普通病房的5~10倍^[27]。由于ICU既需要大量的侵入性操作又是多重耐药菌感染的重灾区，因此管理医院感染防控行为是ICU重点且永恒的工作。另外值得注意的是，烧伤患者约占全部院内感染患者的77%，其住院期间的感染率高，深度烧伤患者的创面感染率甚至可高达20%以上^[28]。曾妃等^[29]研究曾报道2020年温岭市槽罐车爆炸事件造成的群体大面积烧爆复合伤患者“一患者一配套”的实时院感防控的有效实践。利用AI开展常态的医院感染防控行为管理（例如床单元及高频接触表面的清洁消毒、手卫生及PPE实时监测反馈）可有效降低ICU、烧伤患者的感染风险，可能是提高其救治成功率的有利武器。

总体而言，AI结合IPC行为的研究尚且有限，未来仍有很大的发展空间。目前AI结合IPC行为研究仅限于单个地点或物品类型（例如口罩穿戴型号），需要在更广泛情境、更实际的临床现场中持续地测试，以明确AI结合IPC行为管理的有效性^[18]。AI监测涉及的设施设备存在维护成本，大多数研究认为基于AI的系统建立后的持续监测比人工观察更节约成本^[19]，但成本效益情况仍缺乏具体研究。由于透明度和保密性、用户态度是影响新技术的关键因素^[30]，仍需进一步调查医疗工作者对AI结合IPC行为管理技术的态度和接受程度，以保证未来应用的可持续性。此外，AI技术本身远非完美无瑕。到目前为止，仍然存在许多技术上的局限性：识别精度受到许多因素的影响^[13]，例如相机角度、人移动速度和运动标准化情况^[31]，尤其是对精细运动的识别^[32]；AI自主学习效率有限^[33]，例如有限的训练数据量，未来需要有更多公开、高质量的数据集用于训练。有待填补现有医疗环境清洁消毒、血透等常规领域证据基础上的空白。更重要的是，随着AI快速迭代与多学科交叉融合，AI在感染防控行为领域的应用也需突破传统认知框架。

此范围综述存在一定局限性。首先，搜寻的数据库有限，可能存在该数据库外适用的文章。此外，有可能由于搜索条件不完整或无意的筛选遗漏而错过了一些适用的研究。

4 总结与展望

目前AI技术已在手卫生、PPE、环境卫生、血液透析感控行为方面有所探索，但研究尚且有限，未来仍有很大的发展空间。在未来可能再次面临突如其来的突发事件背景下，利用AI管理感染防控行为有助于提高医院紧急疫情的应对能力。此外，考虑到医院感染的“重灾区”，未来利用AI管理医院感染防控行为在ICU或烧伤病房将大有裨益。

利益冲突  所有作者声明无利益冲突