收益：
- 了解实验室信息系统 (LIS)、中间件和 HL7/ASTM 数据流如何工作以及人工智能添加到该链的何处。
- 能够在人工智能支持下设计自动验证规则并设置安全限制和例外规则
- 能够了解集成错误（装置不匹配、LOINC 代码、通道混淆）和位置验证点带来的患者安全风险
实验室结果经历了一段看不见的旅程，直到离开设备到达医生的屏幕：设备生成数据，中间件收集数据，实验室信息系统（LIS）记录并验证数据，医院信息系统（HIS）将其连接到患者，然后报告结果。在这条链的每个环节，数据从一种格式转换为另一种格式，每次转换都有可能出错：单位不匹配、测试代码混乱、通道被替换为另一种分析物。人工智能可以通过将其添加到这个链条中来创造巨大的价值——特别是通过使自动验证规则变得更加智能——但错误的人工智能可能会加速和扩大错误。
在本单元中，您将了解 LIS、中间件和数据交换标准（HL7、ASTM、LOINC）如何工作；自动验证的逻辑和安全限制；我们将承担整合错误带来的患者安全风险。基本原理：人工智能加速规则和流程；哪些结果将自动发布，哪些结果将交给人类，由专家根据安全规则决定。
数据流环
LIS（实验室信息系统）是实验室的大脑：它接收测试订单、跟踪样品、记录、验证和报告结果。中间件是位于设备和LIS之间的中间件；它从多个设备收集数据，应用规则（增量检查、自动验证）并管理重复/稀释请求。 HIMS/HIS 管理整个医院的患者身份和请求。
这些系统彼此使用标准“语言”：
- HL7（健康级别 7）：卫生系统之间的消息传递标准。测试请求及其结果作为 HL7 消息传送。
- ASTM：主要用于设备中间件通信的消息传递标准。
- LOINC：通用编码实验室测试的字典。测试“葡萄糖，血清”有一个 LOINC 代码；由于这段代码，不同的系统知道它们正在谈论相同的测试。
如果没有这些标准，每个设备和系统都会互相误解。人工智能可以帮助匹配这些消息、扫描错误并生成规则；但匹配的准确性必须经过人工测试。
层
使命
典型错误风险
设备（分析仪）
进行测量
校准、通道串扰
中间件
收集数据，应用规则
规则错误，单位匹配
信息系统
记录、验证、报告
LOINC/测试代码混乱
医疗信息管理系统/医疗信息系统
患者 ID、请求
患者匹配不正确
什么是自动验证？
自动化验证是在无需人工监控的情况下，自动发布满足一定安全条件的结果。例如：在参考范围内、具有有效的 QC、具有干净的增量检查、没有干扰标志并且不重要的结果可以被自动批准。这使得人类无法获得大量常规正常结果，并将专家的注意力引向实际需要检查的结果。精心设计的自动化验证可以在实验室中安全地加快大部分结果的速度。
但自动化验证的核心是你不自动化的事情。以下内容应排除在自动化之外并针对人类：
- 临界/恐慌值
- 达美检查违规行为
- 违反 QC 的分析物
- 干扰标志（溶血、脂血症、黄疸）
- 设备放置“检查”标志的结果
- 某些结果超出参考范围并需要临床解释
注意：“自动释放所有内容”是最危险的自动化决策。良好的自动化是由异常规则定义的；更重要的是要弄清楚哪种结果肯定会到达人们的手中，而不是哪种结果会通过。
如何将人工智能添加到集成中
在设计自动验证规则时，人工智能作为一个非常有用的助手：它可以审查现有规则，指出漏洞，模拟规则集将通过的结果，检查例外列表。它还可以扫描 HL7/ASTM 消息中的匹配错误（单位不匹配、意外的值范围、代码混淆）。但人工智能建议的任何规则都必须经过真实患者数据和回顾性测试的验证才能投入生产。在上线之前，自动化规则会根据历史结果进行测试，并询问“它会错过多少个关键值？”应该用问题来测试。
弱提示/强提示
弱提示：
编写自动验证规则并快速获得结果。
此提示不包括安全限制、例外情况和实验室背景。 AI可能会提出一个广泛的、危险的“通行”规则，并且存在自动释放临界值的风险。
强力提示：
您的角色：起草自动化验证规则的实验室专家助理。目的是安全；速度是次要的。提出以下分析物的规则草案：[分析物列表]。为每个规则分别编写自动发布条件和异常（转至人工）情况。异常必须至少包括以下内容：临界值、增量检查违规、QC 违规、干扰标志、设备检查标志。在每条规则旁边添加注释，说明“此规则可以避免此风险”。我会在将规则投入生产之前回顾性地测试它们；还写下我应该检查哪些历史数据进行测试。
强提示优先考虑安全性、强制例外、质疑风险并包括验证步骤。
三个迷你箱子
案例 1 — 精心设计的自动化。实验室设置了对常规全血细胞计数结果的自动验证：在参考范围内、QC 明确、Delta 明确、无设备标记。临界值、爆炸标志、增量违规归于人类。它模拟了AI规则集，并显示在过去的10,000个结果中没有逃逸任何临界值。专家验证并实施规则；大约 70% 的结果得到安全加速，将注意力集中在关键结果上。
情况 2 — 体积匹配错误。集成更新后，设备发送 mmol/L，而中间件预计镁 mg/dL。值的系统缩放比例不正确。 AI 标志着结果突然且完全出乎意料地转变到了范围内（“所有镁的结果约为正常值的 2.4 倍”）。专家发现并修复单位匹配错误。如果自动化没有发现这个错误，那么数以千计的结果将是不正确的——这是自动化扩大错误风险的生动例子。
情况 3 — 自动逃逸临界值。它开启了广泛的自动验证，而无需设置另一个实验室例外规则。 6.4 mmol/L 的钾水平虽然很关键，但会自动释放并跳过通知。病人受到伤害。教训：自动验证的安全性取决于异常规则的完整性；关键价值永远不会留给自动化。
可复制的提示模板
自动验证规则草案模板分析物：[姓名]。列出自动释放的条件（参考范围、QC 状态、增量、干扰、设备标志）。然后单独列出“必须去找人”的例外情况。说明每条规则可能遗漏的风险。该规则是草案；如果没有回顾性测试，我不会使用它。
规则模拟模板 将以下自动验证规则应用于我将提供的匿名历史结果列表。显示哪些结果将自动通过，哪些结果将传递给人类。具体来说：是否有自动传递任何临界值？达美泄密事件逃过一劫？规则：[规则]。结果：[列表]。
积分错误扫描模板以下分析结果表明积分/匹配错误：所有结果突然且一致的漂移（可能的单位错误）、意外范围、单个设备/通道的不一致。标记可疑模式和可能的原因；我会做出决定。数据：[列表]。
LOINC/测试代码检查模板检查以下测试名称和提交的代码是否匹配：测试名称和代码描述的测试是否引用相同的分析物？音量兼容吗？如果存在不兼容性，请选中“[必须验证匹配]”。匹配：[列表]。
常见错误
- 无一例外地开启自动验证。没有临界值、增量、质量控制和干扰异常的自动化是危险的。
- 将规则投入生产而不验证它。如果没有对历史数据进行回顾性测试，新规则将不会生效。
- 不检查单位匹配。像 mg/dL ↔ mmol/L 这样的错误会默默地使所有结果产生偏差。
- 忽略测试代码/LOINC 的混乱。不匹配的代码可能会将一份测试报告作为另一份测试。
- 将AI的规则建议误认为是证据。该提案为草案；只有模拟和验证才能证明安全性。
提示：在设计自动验证规则时，首先要问“我永远不会自动通过什么？”从问题开始。一旦完全建立了例外列表，就可以安全地扩展自动化。衡量安全性的标准不是通过的结果，而是不让通过的结果。
综上所述
实验室数据在从设备到医生的多链路中流动； LIS、中间件和 HL7/ASTM/LOINC 标准提供了此流程，每个环都是出错的机会。自动验证在安全条件下加速结果，但其安全性取决于异常规则（临界值、增量、QC、干扰必须归于人类）。人工智能是设计规则、模拟规则和扫描集成错误的有力助手；然而，如果没有回顾性测试和专家验证，任何规则都不会投入生产。自动化还能缩小误差；这就是为什么检查站是必不可少的。
应用任务
使用分析物的“自动验证规则草案”模板向 AI 请求规则集；特别要检查例外列表是否完整。然后使用“规则模拟”模板将此规则应用于示例历史结果列表，并验证是否未逃脱任何临界值/增量违规。最后，创建一个卷匹配场景并尝试“集成错误扫描”模板。
清单
- [ ] 我已经完全定义了自动验证的异常列表（严重、增量、QC、干扰）。
- [ ] 在将其投入生产之前，我用历史数据回顾性地测试了该规则。
- [ ] 我已经验证没有自动传递任何临界值/增量违规。
- [ ] 我检查了设备和 LOINC/测试代码是否匹配。
- [ ] 我扫描了集成失败的迹象（突然的一致漂移）。
- [ ] 我通过模拟和验证确认了AI的规则建议。