《Technologies》：Smart Healthcare Engineering: A Data-Driven Educational Framework for Psychrometric Analysis and Air Handling Systems in Hospitals
编辑推荐：
本文介绍了一个数据驱动教育框架（data-driven educational framework），用于在医院中教授湿空气分析（psychrometry）和空气质量控制（air quality control），该框架是在一个涉及西班牙、罗马尼亚和土耳其的大
本文介绍了一个数据驱动教育框架（data-driven educational framework），用于在医院中教授湿空气分析（psychrometry）和空气质量控制（air quality control），该框架是在一个涉及西班牙、罗马尼亚和土耳其的大学和医院的国际试点项目中开发的。本试点研究的目的是考察一个多学科框架（multidisciplinary framework），该框架使工程专业学生具备管理医院基础设施的基本技术技能，特别是在手术室（operating rooms）和重症监护病房（ICU）等关键区域。该方法整合了理论教学、模拟仪器（analogue instruments）和数字技术（digital technologies），包括基于Arduino的传感（Arduino-based sensing）和人工智能工具（AI tools），以促进数据解释和批判性思维。通过将手动测量与数字监测相连接，该框架旨在平衡来自不同工程背景的学生的能力水平。来自23名参与者的定量结果提供了学术成长的初步证据，与综合方法可能促进概念掌握的假设一致。这项工作为工程教育中数据驱动建模（data-driven modelling）的进展提供了初步见解，强调了多学科培训和国际合作在培养未来专业人员监督、运营管理和维护现代医疗设施方面的重要性。
**研究背景与问题**
现代医院的技术复杂性（涉及系统、设备与设施）对合格技术人员的需求日益迫切。智能医疗工程（Smart Healthcare Engineering）要求工程师适应医疗领域技术的快速演进，尤其在高风险区域（如手术室和重症监护病房ICU）中，加热、通风与空调系统（HVAC）的实时控制依赖于人工智能，以同时应对感染风险、能耗与舒适度。然而，当前教育模式存在显著空白：湿空气分析（psychrometry）与物联网（IoT）监测常被作为独立的教学模块，缺乏整合框架；同时，工程专业学生背景多样，传统被动式教学难以弥合其初始能力差异。为此，研究人员在欧盟资助的SHEng项目框架下，开展了一项国际试点研究（涉及西班牙、罗马尼亚、土耳其的大学和医院），旨在开发一个数据驱动的教育框架，通过将手动测量、模拟仪器与数字技术（包括Arduino传感和人工智能）相结合，提升工程专业学生在医院空气处理单元（AHU）运维中的技术能力，并验证其学术成效。该研究发表在《Technologies》。
**关键技术方法**
研究采用五阶段结构化框架：（1）初始诊断评估（Pre-test），通过10题多选题确定学生基线知识；（2）理论框架与概念类比，利用视频游戏、社交媒体等熟悉情境解释抽象概念；（3）手动实验，使用Brannan手动旋转湿度计（精度±0.5°C）测量干球温度与湿球温度，并绘制焓湿图（psychrometric chart）；（4）数字化与校准，基于Arduino Nano 33 IoT板、DHT22传感器（温度精度±0.5°C，湿度精度±2–5% RH）搭建监测系统，利用人工智能生成基础代码，学生通过对比手动测量值，在代码中引入偏移变量（offset）进行校准，并实现LED指示灯（舒适度交通灯）的视觉反馈；（5）最终评估（Post-test）与配对样本t检验，检验学习成效。
**研究结果**
结果显示，学生平均成绩从Pre-test的6.0分（标准差SD=1.5）显著提升至Post-test的8.1分（SD=1.1），配对样本t检验（t(22)=9.12，p<0.001）表明提升在统计上显著。个体改进百分比（IIP）平均为35.5%，Cohen’s d效应量达1.90，表明干预具有较大实际意义；归一化增益（Normalized Gain，g=0.53）显示学生实现了53%的潜在提升。均匀化指数（Homogenisation Index，HI）为0.27，表示成绩离散度降低26.7%。技术传感指标方面，学生识别并修正了平均温度偏差（MTD）1.2°C和湿度偏移（MHD）3.5%，视觉控制逻辑（VCS）的成功率达100%。所有23名学生均通过考试，43.5%获得A级成绩。该结果支持了假设：整合手动测量、数字化与人工智能辅助的框架能有效均衡不同背景学生的能力水平。
**讨论与结论**
讨论部分强调，该框架通过将手动测量作为数字监测的校准基准，避免了学生在使用数字化工具时出现“黑箱”错误。人工智能作为“认知支架”（cognitive scaffolding），使学生从代码语法转向高级任务（如调试、优化与验证），但需通过强制验证点（manual audit）防止过度依赖。研究指出，主动学习、情感参与（EMOCREA方法）与跨学科合作促进了内在动机和知识内化。局限性包括样本量较小（n=23）、缺乏对照组、短期监测，以及某些工程子专业（如机械工程n=1）的统计代表性不足。未来工作将扩展至更大队列，并整合数字孪生（Digital Twin）模拟医院关键区域的故障场景。
**研究结论翻译**：
本多学科工作坊作为SHEng项目的一部分，得出了关于医疗工程中湿空气分析教学与数字化的关键结论。传统方法（手动湿度计和焓湿图）与数字技术（Arduino与人工智能）的整合，在该探索性试点情境中显示出提升学习质量的潜力。这种主动式五阶段方法（包括将概念学习转移到课堂外的预工作）使实验室时间保留给高价值互动，如实验、讨论与知情决策。定量结果提供了项目成功的初步证据：学生成绩平均提高35.5%，最终平均分8.1分。特别值得注意的是，该框架具有均衡效应：100%的学生成绩提升，且进步最高比例（达129%）出现在初始测试未通过或来自与热力学关联较少的学位项目的学生中。100%的学生获得B级或以上成绩，43.5%获得A级。本试点研究提供的证据表明，无论学生初始背景如何，该整合框架与学生成绩的显著均衡化一致。人工智能作为技术催化剂的使用值得关注：将基础任务委托给人工智能，使人力资源可分配到需要关键验证与决策的活动上。该工作坊成功提高了未来工程师对湿空气控制在确保医院敏感区域（如手术室或体外受精单元）室内空气质量与临床安全中关键重要性的认识。将空气处理单元理解为模块化可定制系统，有助于工程师优化医疗设施的预防性维护与能效。将情感与创造性有意识地融入教育过程，在该队列中显示出与内在动机增强的关联。通过数字系统“阅读世界并控制它”的体验为学生提供了有意义的情境，表明其态度从被动向主动的转变，并可能有助于他们适应新技术挑战。协作学习、动手经验与新兴技术的整合，在掌握复杂技术主题方面发挥了重要作用，并培养了能够监督当代医疗系统运营完整性与安全性的新一代工程师。
