《Public Health in Practice》:Evaluation of a hand hygiene intervention in two primary schools using UV-based feedback and AI-assisted image analysis
编辑推荐:
目的:手卫生可预防学龄儿童传染病,但在学校环境中对其技术的客观评估仍基本未被探索。本研究旨在评估一项基于小学的手卫生干预措施的效果。研究设计:研究人员开展了一项以学校为单位分配的对照性社区干预研究,采用前后重复测量设计,在西班牙塔拉戈纳的两所小学中进行。方法:
目的:手卫生可预防学龄儿童传染病,但在学校环境中对其技术的客观评估仍基本未被探索。本研究旨在评估一项基于小学的手卫生干预措施的效果。研究设计:研究人员开展了一项以学校为单位分配的对照性社区干预研究,采用前后重复测量设计,在西班牙塔拉戈纳的两所小学中进行。方法:共126名8至12岁儿童参与(干预组64人,对照组62人)。干预措施结合了一次30分钟的七步醇基手消毒剂揉搓技术课程,以及使用荧光消毒剂和定制紫外线设备的反馈。手卫生质量在基线及干预后1个月、3个月和6个月进行测量,指标为充分覆盖的手部总面积比例,包括双手掌侧和背侧表面。研究人员使用人工智能辅助工具对图像进行分析,以支持更标准化的结局评估。研究人员采用贝塔混合效应回归模型对纵向效应进行了探索性分析。结果:两组在校正后的手部覆盖率在基线时相似。在1个月时,两所学校均显示校正覆盖率增加。从3个月起,轨迹出现分化。干预学校在3个月时的校正覆盖率高于对照学校(校正平均差值为0.031;95% CI:0.010–0.052),在6个月时差异更大(0.041;95% CI:0.021–0.061)。结论:这项探索性研究表明,将结构化手卫生教育与即时紫外线视觉反馈相结合,可能有助于小学环境中手卫生技术的持续改善。人工智能辅助图像分析流程在一定程度上支持了结局评估的标准化,尽管荧光检测步骤仍需人工监督。
一、研究背景与研究问题
上呼吸道感染和胃肠道感染仍是全球学龄儿童发病的主要原因之一。超过90%的3至6岁儿童每年至少发生一次呼吸道感染,约50%会经历一次腹泻相关感染。幼儿园或小学的集体生活因频繁的身体接触进一步加剧了这一疾病负担。正确的手卫生被认为是预防儿童传染病最经济、有效且直接的措施,并能减少由此导致的学校缺勤。更重要的是,儿童早期形成的健康习惯往往能延续至成年。因此,世界卫生组织2009年发布的《医疗卫生机构手卫生指南》提倡采用多模式策略,将教育、物资供应和实时反馈相结合,以期在生命早期建立安全习惯。
尽管已有大量研究证实手卫生干预的有效性,但现有干预手段存在明显局限。许多研究依赖手动或半自动的照片评分方式,耗时且易受主观变异影响。紫外线可视化反馈虽被广泛用于教育和临床环境,但尚未有公开发表的学校干预研究将人工智能辅助的图像分析整合到紫外线手卫生反馈与结局评估流程中。此外,大多数研究随访期较短,对于干预效果的长期可持续性证据不足。因此,迫切需要一种能够客观、标准化且可扩展地评估手卫生技术的方法,以推动学校健康促进工作的循证实践。
二、研究设计与实施
为解决上述问题,研究人员在西班牙塔拉戈纳地区的两所小学开展了一项对照性社区干预研究,采用学校层面分配的前后重复测量设计。研究对象为126名8至12岁的学生(干预组64人,对照组62人),招募工作于2024年3月完成。干预措施包含一次30分钟的结构化教育课程,教授七步醇基手消毒剂揉搓技术及其在感染预防中的作用,随后立即使用荧光手消毒剂和定制的紫外线设备提供即时视觉反馈。对照组学生在研究期间仅接受评估,未获得关于遗漏区域的直接反馈,但可通过紫外线图像看到自身手部覆盖情况。手卫生质量在基线、干预后1个月、3个月和6个月四个时间点进行评估,主要结局指标为手部总表面积中被充分覆盖的比例,涵盖双手掌侧和背侧表面。
三、关键技术方法
研究人员开发并验证了一套新的半自动化图像处理工具,其工作流程包含三个主要模块:
- 1.
手部定位与视图分类:采用YOLOv8模型对手部进行定位并分类左右手的掌侧/背侧视图。该模型经过5197张标注图像的训练并通过数据增强扩增至57163张,最终在2381张测试图像上达到94%的整体准确率。
- 2.
手部分割:使用Meta公司预训练的Segment Anything Model对手部区域进行分割,无需额外训练。首次分割失败的手部图像通过最少的人工调整得以恢复。
- 3.
荧光区域颜色隔离:在色调、饱和度和明度颜色空间中设定阈值,以识别荧光消毒剂的特征发射光谱。由于光照变化会影响荧光检测效果,该步骤需要人工审核和修正,未能实现完全自动化。
所有图像均在定制的紫外线设备内以标准化距离、取景和照明条件下采集,来自两所学校的参与者数据均纳入分析。
四、研究结果
1. 半自动化图像分析工具的验证结果
YOLOv8模型在手部定位和视图分类任务上表现优异,整体准确率达94%。SAM分割模型在首次尝试中未能正确分割48只手部图像,其中38只通过最小程度的人工调整得到纠正。然而,基于HSV阈值的颜色检测步骤与人工标注的金标准一致性较低,需要人工监督修正,限制了该环节的自动化程度。
2. 模型基础的干预效果结果
- •
基线比较:在基线时,对照组和干预学校校正后的手部清洁覆盖率相似(对照组:0.888;95% CI:0.864–0.907;干预组:0.910;95% CI:0.890–0.927),两组间无统计学显著差异。
- •
1个月随访:两所学校均显示出改善,校正覆盖率接近(对照组:0.937;干预组:0.943),组间差异不显著。
- •
3个月随访:轨迹开始分化。对照学校的覆盖率部分回归至基线水平(0.913),而干预学校维持并进一步提高(0.944)。此时,干预学校与对照学校的校正平均差值为0.031(95% CI:0.010–0.052),差异具有统计学意义。
- •
6个月随访:干预学校的校正平均覆盖率升至0.958(95% CI:0.947–0.968),对照学校为0.917(95% CI:0.896–0.933)。两组间差异进一步扩大至0.041(95% CI:0.021–0.061),具有高度统计学显著性。
- •
性别差异:女性学生的手卫生表现略优于男性学生(校正平均差值:-0.017;95% CI:-0.029至-0.004)。
- •
随机效应:模型显示学生个体间存在异质性,随机截距方差为0.110,表明除已测量的协变量外,不同儿童在手卫生基础表现上存在有意义差异。
五、讨论与结论
研究人员指出,本研究的发现与现有文献一致:学校手卫生干预可以改善技术,但效果大小和持久性因项目设计而异。两所学校在1个月时均出现改善,可能反映了评估意识、紫外线程序提供的隐性反馈或学校社区间的有限污染。从中期随访开始,干预学校的效果得以维持并提升,而对照组则出现部分回退,这表明缺乏结构化强化时技术相关行为的改善可能随时间衰减,而结合结构化教学与紫外线反馈的项目有助于维持长期改进。
研究的主要局限性在于仅有两所学校的集群设计,这限制了一般化能力,且无法将干预效果与未测量的学校层面特征完全分离。尽管学校在组织、人口概况和地理区域上相似,但基线差异带来的残余混杂无法排除。另一个局限是图像分析流程未能实现端到端的完全自动化,HSV荧光检测对图像间变异性敏感,需人工介入。
研究结论为:这项探索性研究表明,将结构化手卫生教育与即时紫外线视觉反馈相结合,可能有助于小学环境中手卫生技术的持续改善。人工智能辅助图像分析流程在一定程度上支持了结局评估的标准化,尽管荧光检测步骤仍需人工监督。标准化紫外线成像与客观定量评分的使用增强了结局评估的可重复性并减少了观察者偏倚,可能有利于在学校环境中实现可扩展的监测。