面向心理评估数据管理、自动计分与安全研究工作流的模块化低代码框架

《DIGITAL HEALTH》：A modular low-code framework for psychological assessment data management, automated scoring, and secure research workflows

　　

目的：心理评估（psychological assessment）工作流的数字化转型在临床和研究情境中对于提高效率、数据质量和安全管理日益重要。本研究旨在开发并技术评估一个低代码（low-code）、平台独立（platform-independent）框架，使其无需专门软件开发即可在临床和研究环境中实现安全的数字心理数据采集、自动化计分（automated scoring）、标准化数据管理和可扩展部署。方法：为每个研究项目创建专用在线表单采集和项目特定云存储文件夹。从表单导出的电子表格文件包括自动计分工作表和简化、受密码保护的SCORING VIEW。数据经伪名化（pseudonymization）并存储于机构数字环境，通过机构访问控制机制（institutional access-control mechanism）支持安全管理。该框架在22个研究项目、10,214次评估和90个标准化工具（standardized instruments）中评估。采用一致性分析（agreement analyses）和处理时间（processing time）评估比较自动与手动计分。结果：框架显示自动与手动计分程序高度一致，对所评估工具达到近完美一致性。与手动程序相比，自动计分显著减少处理时间（p < 0.0001）。系统在常规实施中支持标准化数据组织、受控访问管理和一致数据集生成。结论：所提框架为数字心理数据采集、自动计分和标准化数据管理提供快速、可靠且安全解决方案，支持可扩展、可重复和多中心（multicenter）研究。其架构促进多用户协作，为多中心和纵向（longitudinal）研究提供可复制模型。

研究背景：过去三十余年，医疗体系逐步数字化，心理评估（psychological assessment）也从纸笔施测、人工计分和面对面监督转向数字生态。传统纸笔方法虽具有历史可靠性，但耗时、易发生计分与转录错误、后勤要求高；物理存储妨碍数据共享、纵向追踪和协作研究，手工性质还限制可重复性和大规模数据整合，尤其在多中心或国际研究中更为突出。数字平台可支持远程施测、自动化计分（automated scoring）、标准化流程和更丰富的数据采集，并提升可重复性、生态效度和评估个性化。然而，数字评估工具的广泛应用仍受专有平台成本高、需高级编程技能、互操作性不足、数据安全顾虑和缺乏标准化工作流等限制；数字施测、自动计分和结构化数据管理常被分离实施，导致流程碎片化，影响可重复性和大规模临床与研究应用。现有方案对标准化数据库生成、伪名化（pseudonymization）数据组织、多项目可扩展和协作管理支持有限。因此，需要可及、低代码（low-code）且可扩展的框架，将自动计分、标准化数据管理和安全研究工作流整合。本研究开发并技术评估低代码可扩展数字框架，拟回答：低代码云框架能否为标准化心理工具提供与传统人工计分相当的计分准确性；是否显著减少计分时间；能否在通用数据保护条例（GDPR）合规机构环境中支持数据完整性、安全管理和多项目可扩展。研究在22个项目、10,214次评估中评估，其新颖性在于将低代码实施、自动计分、标准化数据处理、安全云数据管理和平台独立部署整合于单一可扩展架构。

研究方法：研究人员在IRCCS Centro Neurolesi “Bonino-Pulejo”（Messina, Italy）于2024年8月至2025年10月开发并验证模块化低代码云框架，采用Microsoft 365或Google Workspace同一逻辑架构，表单自动同步电子表格，公式算法自动计分，RAW DATA、SCORING和受密码保护的SCORING VIEW三层结构，配合伪名化、角色权限、AES-256加密和版本控制。验证覆盖22个已获伦理批准原研究的10,214次评估和90个标准化工具（standardized instruments）；记录BIS-11、COPE Inventory、MSQOL-54、PDQ-39计分时间，5名训练操作员独立人工计分254次评估，参考诊断准确性研究报告标准（STARD）指南，采用一致性分析、t检验、方差分析（ANOVA）和χ²检验；样本来源为常规实施中收集的评估记录。

研究结果：计分准确性验证：通过自动与人工配对比较，系统在4个工具中的2个发现人工计分差异。MSQOL-54错误主要与转录不准确和分量表计分错误有关，人工与自动计分差异有统计学意义（χ²(1)=9.13，p=0.002）；COPE Inventory差异较少，主要为孤立转录错误，比例差异无统计学意义（χ²(1)=1.37，p=0.24）。错误方向为非系统性，临床影响最小，未影响分类解释或临床相关阈值。数据完整性评估：所有在线表单提交均自动导出至锁定和版本控制电子表格，审查同步日志后未发现数据损坏、丢失或不匹配。处理时间比较：自动计分每个评估约2.4–3秒，所有工具均显著快于人工计分（p<0.0001）；与人工流程相比，自动计分使BIS-11、COPE Inventory、MSQOL-54和PDQ-39计分时间分别减少约98.7%、99.2%、99.8%和99.3%。人工计分时间存在显著操作者间变异：BIS-11（F(4,55)=30.7，p<0.0001）、COPE Inventory（F(4,55)=4.44，p=0.0035）、MSQOL-54（F(4,64)=2.56，p=0.0471）、PDQ-39（F(4,60)=35.8，p<0.0001）。总体上，框架显示自动与人工计分高度一致，显著减少处理时间，消除转录相关不一致，并支持多临床研究项目的标准化数据管理。

讨论部分总结：数字技术虽越来越多用于心理和神经心理工具施测，但计分计算、数据核查和数据集管理仍部分手工且碎片化，可能增加工作负荷、引入转录和计算错误，并限制跨项目可扩展性。本框架覆盖自动计分、安全伪名化存储、标准化数据集生成和项目级可扩展等全流程，旨在减少操作碎片化并便利临床与研究实施。人工计分时间在不同操作者间变异显著，提示传统流程不仅受工具结构复杂性影响，也受操作者熟悉度、注意波动和个体处理速度影响；自动计分通过标准化算法消除操作者依赖变异。MSQOL-54人工计分最长，可能因其结构和计分算法更复杂，而自动计分时间跨工具相对稳定，提示自动化对结构或计算更复杂的问卷更具优势。时间节省可降低人员工作量，支持大规模数据采集和常规临床监测；自动系统还可作为隐式质量控制，帮助发现转录和计算不准确。框架使用广泛可用工具，适合技术基础设施有限环境，提高可重复性、可扩展性和操作效率。讨论还将其置于医疗数字化趋势中，并指出数字工具使用增加；人工智能未直接实施，但标准化数字数据架构为未来预测建模、异常检测和自动反馈提供基础。隐私安全方面，数字系统涉及敏感信息电子存储与传输，需GDPR合规、权限控制、密码保护、加密和机构云安全；依赖商业云基础设施需持续监测跨司法辖区法律差异。限制包括单中心意大利神经心理中心、工具限于神经心理和生活质量、单一云生态、缺乏高级分析和可视化、单机构验证、低代码仍需最少技术支持；未来需多中心跨情境验证，扩展互操作、图形仪表盘、机器学习模块、人工智能辅助临床决策支持、本地存储、高级加密和审计轨迹。此前研究组显示系统可用性和用户接受度良好。

研究结论翻译：本研究呈现了一个用于心理评估实施、自动计分和结构化数据管理的低代码数字框架的开发与技术评估。所提架构在机构研究环境中显示可行性，提高计分效率，减少人工处理变异，并支持心理评估数据的标准化组织。通过利用广泛可用的云工具，该框架为寻求实施数字评估工作流而无需高级编程专长的研究人员和临床医生提供了可及方法。然而，仍需在独立机构、更大多中心数据集和纵向临床环境中进一步验证，以确认普适性、互操作性和长期可持续性。总体而言，本研究结果支持将低代码数字基础设施整合入心理评估工作流的可行性。除提高操作效率外，所提框架为标准化心理数据采集和管理提供可重复和可扩展的数字基础设施，支持临床研究和医疗服务的更广泛数字转型。然而，此处实施应视为初步技术评估，仍需进一步研究评估不同医疗环境、机构环境和纵向研究设计中的性能。