跳至正文
朗慧科技

MEDICAL DATA RESEARCH

封闭式照护场景的无感生命体征监测:从毫米波感知到远程医疗闭环

从毫米波雷达采集、目标与时间对齐、信号质量门控,到远程告警复核、标注争议、独立验证和漂移回滚,拆解封闭式照护无感生命体征项目的数据设计与验收边界。

生理信号与健康感知AI辅助整理 · 研发交流

在医护人员无法持续进入每个照护空间、被监测者又不适合长期佩戴设备的场景里,真正困难的不是“装一台雷达”,而是如何把连续、带噪声的胸壁微动信号,转化为可复核的生命体征趋势,并在出现疑似异常时交给正确的专业人员处理。一个可用的系统必须同时回答四个问题:采集到的到底是不是目标个体,心率和呼吸率是否足够可信,异常提示能否在工作流中被及时确认,以及远程医疗人员能否依据完整证据完成复测、会诊和记录。把这些问题简化为“无感监测”或“AI辅助诊断”,都会掩盖数据设计和临床责任的关键环节。

先把需求限定为可验证的临床任务

这类项目适合被拆成三个相互关联、但不能混为一谈的任务。第一是生命体征观测:在明确的空间、姿态和时间窗内,连续或按策略输出心率、呼吸率及其质量状态。第二是变化检测:基于同一匿名个体的纵向记录,识别持续偏离、突变、长时间缺测或多模态不一致,并生成待确认事件。第三是远程协作:把原始证据、趋势、参考测量和现场观察传递给具备相应资质的医疗人员,由其决定复测、分诊、会诊或升级处置。第三项的输出是工作流状态,不是机器自动作出的诊断或治疗决定。

原始方案中还出现了对多种疾病进行“自筛”或对急症给出诊断建议的表述。对公开技术分析而言,这部分必须收窄为“面向异常生理变化的决策支持数据”和“供专业人员复核的提示”。毫米波雷达主要感知胸壁的微小位移,不能仅凭心率、呼吸率推出心肌梗死、感染或其他疾病;即使进一步接入影像、心电或检验数据,也仍需明确预期用途、参考标准、临床责任和验证人群。把检测任务、事件分层和疾病诊断分开,是避免模型能力被过度解释的第一道门槛。

输入模态应围绕任务而不是围绕设备清单组织。核心输入可以是毫米波雷达的距离、角度、相位和回波序列,辅助输入包括可见光或红外图像的目标存在性、床旁设备读数、现场复测结果、设备安装位姿、遮挡和网络状态。若系统要进入远程医疗流程,还要有匿名化的时间戳、空间标识、事件编号、人工备注和会诊状态。心电、呼吸末二氧化碳、脉搏血氧或经过核验的床旁设备,更适合作为试采和验证阶段的参考测量,而不是在没有明确证据时被视为雷达的等价输入。

数据颗粒度也不能只写“实时”。建议同时保留原始或准原始信号片段、固定长度的分析窗口、窗口级质量标签、个体或空间级的时间序列,以及事件级的告警记录。每个窗口至少需要记录采样率、传感器和固件版本、安装高度与朝向、目标数量或遮挡状态、网络延迟、缺失原因和处理版本。事件级数据则应包含触发时间、触发依据、告警级别、接收者、确认或驳回时间、复测值、最终处置和是否需要回标。这样的层次化设计既能支持模型训练,也能在告警争议发生时追溯“模型看到了什么”。

无感生命体征监测从采集、质量门控到远程复核的技术链路示意查看完整技术图(可放大)

图1|技术示意:无感生命体征并不是单点传感器输出,而是经过身份与时间对齐、信号质量门控、趋势分析和人工复核后进入可追溯的临床闭环;图示不代表真实患者、已完成实验或诊断结论。

传感器路线:把“无感”当作采集条件,而不是准确性承诺

毫米波雷达的技术路线通常包括目标定位、距离门选择、相位解调、静态杂波抑制、呼吸与心搏成分分离,再到心率和呼吸率估计。近年的研究显示,FMCW毫米波可以通过胸壁微动提取呼吸与心搏信号,并结合小波、卡尔曼滤波等方法抑制噪声;例如一项2025年发表于《Scientific Reports》的研究在办公室场景以6名受试者进行雷达试验,并用可穿戴设备作参考,比较不同距离、角度和姿态下的心率估计。这类结果可帮助说明信号处理路线,但仍属于受控的小样本实验,不能直接转化为某个封闭空间、多人同室、夜间遮挡环境下的临床性能。1 真实部署还会遇到翻身、坐卧变化、被褥遮挡、金属反射、多人目标接近、墙体穿透差异和网络丢包等问题,系统必须把这些因素作为输入元数据和分层验证条件记录下来。

“无感”解决的是佩戴负担和采集连续性,不等于可以省略校准和参考测量。试采阶段应先确认安装位姿、可覆盖的距离和角度、可同时处理的目标数量,以及在遮挡、低照度、运动和静止状态下的信号质量。对每个目标窗口,算法可以输出心率、呼吸率、置信度、信号质量评分和不可用原因;在置信度不足、目标身份不稳定或多个模态互相矛盾时,应输出“待复测”而不是强行给出数值。临床现场更关心的通常不是某个理想窗口的相关系数,而是连续运行时有多少时间可用、多少告警可被确认、漏掉多少真正需要复测的事件。

一项2026年发表的急诊科研究在专门设置的受控房间中,使用商业摄像设备采集心率和呼吸率,并与三导联心电图及呼气末二氧化碳参考读数比较。研究纳入111名受试者,心率和呼吸率的捕获率分别约为83%和94%,在捕获成功的窗口内取得了较高相关性;但受试者主要是相对健康的志愿者,摄像机位置和光照受控,研究作者明确指出还需要在繁忙临床环境、异常心律和更广泛生理范围中验证。1 这类证据可以支持“该方向值得试验”,却不能证明某个雷达系统已经满足特定照护场景的告警或诊断要求。

因此,算法路线宜采用“质量先于数值、事件先于结论”的分层结构。边缘侧完成目标定位、时间同步、基础滤波和断网缓存;平台侧完成跨窗口趋势、个体基线、异常候选和多模态一致性检查;临床呈现侧只展示与任务有关的数值、趋势、质量状态和证据片段。若引入机器学习,应分别评估信号重建、心率或呼吸率估计、事件检测和告警分级,不能用一个综合准确率覆盖所有层级。对不可解释的模型输出,应保留输入窗口、版本、阈值和人工确认记录,防止后续复核时只有一个无法重现的告警结果。

远程医疗不是“把数据推到屏幕上”

远程患者监测的基础设施可以概括为数据采集、传输与存储、算法分析、信息呈现四个组件;组件之间还存在互操作、可访问性、工作流整合和透明度等交互点。3 这与无感雷达场景高度一致。采集端要知道何时测、测到什么和为什么不可用;传输端要处理网络断开、重复上传、时间漂移和权限;分析端要区分个体异常与设备异常;呈现端则要让现场人员和远程医疗人员在有限时间内知道下一步做什么。

建议将平台的业务状态设计为“观测—待确认—已确认—已升级—已复测—已关闭”而不是简单的红黄绿灯。观测状态只表示数据流存在;待确认状态表示模型发现了预先定义的变化;已确认状态必须绑定人工或标准设备复核;已升级状态说明事件已交给更高层级的专业团队;已关闭状态则应记录原因。告警消息需要带上时间窗、质量标签、趋势图或数值摘要、最近一次可比参考值、是否存在缺测和版本号,避免远程人员只看到一个孤立的异常数字。

远程监测的证据并不自动等于临床获益。2024年一项针对住院转居家场景的系统综述纳入29项研究,发现远程监测对安全性和依从性有积极结果,但对部分临床和生活质量指标的影响仍不一致,并指出实施研究和经济评价仍然不足。4 对高安全约束、医护资源有限的照护空间,更应把“告警是否增加无效工作”“异常是否在合理时间被复测”“会诊是否改变了处置路径”作为实施指标,而不能仅宣传实时、全覆盖或零漏报。

数据安全和最小化原则也必须写进数据模型。不是所有原始视频都需要长期保存;如果视频只用于确认目标存在性,就应评估是否可以只保存质量特征、经过授权的短片段或不可逆的摘要。访问控制要按角色拆分现场照护、远程医生、数据工程和质量审查权限;传输与存储加密、审计日志、密钥轮换、导出审批、设备撤销和版本回滚都要成为验收项。空间标识和个体标识应采用分离的伪名化映射,避免将可定位信息直接写入训练集。任何跨机构协作都要先确认授权、保留期限、再利用边界和删除机制。

标注主体与争议处理:让“异常”有可复核的定义

无感监测的标注不是单纯把时间序列切成正常和异常两类。至少应同时标注:目标是否存在、信号是否可用、运动或遮挡类型、心率与呼吸率参考值、趋势变化、疑似事件开始和结束、是否需要复测、告警是否真实以及最终处置状态。窗口级标签解决模型训练,事件级标签支持告警验收,个体级纵向索引则用于检查同一人不同时间点的关联是否正确。若用空间而不是个体作为监测单位,标签中必须明确“房间内目标数”和目标切换风险,不能把一个人的变化错误归到另一个人身上。

标注主体需要按标签性质分工。工程或数据标注人员可以先标记文件完整性、时间错位、设备状态和明显伪影;受过培训的临床人员负责生理信号可用性、参考读数对应和疑似异常窗口;具备相应专业资质的专家负责关键事件裁决、疾病相关解释和最终处置标签。至少一部分验证集应由两名人员独立盲审,计算一致性并记录分歧原因。对运动伪影、多人重叠、边界事件和参考设备本身异常等情况,应允许“不确定”“不可判定”或“需复测”,而不是强迫标注员选择正常或异常。

标注规范需要把时间关系写清楚:异常窗口是以信号变化的起点、达到阈值的时刻,还是人工确认的时刻为准;告警延迟从算法输出、平台接收还是现场看到消息开始计算;复测成功的前提是参考设备读数与雷达窗口是否在同一时间范围。只有把这些定义固定,捕获率、延迟和假警率才具有可比性。版本更新时,旧标签不能被静默覆盖,应保留原规则、修订原因、复核人和受影响样本范围。

无感监测项目从预期用途、参考测量到外部验证与漂移回滚的质量回路示意查看完整技术图(可放大)

图2|技术示意:验收应把预期用途、同步参考、盲审争议、亚组指标、独立场景验证和上线后漂移治理串成一条证据链;图示不表示真实患者、统一准确率或临床结果。

质量验收:从“测得准”扩展到“可用、可解释、可持续”

第一层是设备和信号质量。需要检查传感器标定、安装误差、时间同步、丢包、重复数据、断网续传、固件变化、供电和温度影响,并定义原始数据、窗口数据和事件数据的完整性规则。第二层是生理测量性能。心率和呼吸率应与预先选定的参考设备逐窗口比较,报告平均误差、绝对误差、偏差、限度一致性、捕获率和不可用率,而不是只给相关系数。对异常范围、快速变化和运动状态,应分别统计。第三层是事件与工作流性能,包括事件灵敏度、假警率、告警延迟、确认率、复测完成率、升级率、告警积压和关闭原因。

第四层是分层和外部验证。研究或试采数据必须按个体、房间、设备、日期和采集批次划分,避免同一个人或同一空间同时出现在训练和测试中造成泄漏。测试集应覆盖不同姿态、遮挡、光照、网络状态、年龄和身体条件,并单独报告设备更换、场景迁移和多人环境。一个在单房间静止人群上表现良好的模型,不能直接外推到多人、夜间、频繁活动或不同建筑材料的场景。WHO关于AI医疗器械证据生成的框架强调,预期用途、数据管理、内部验证、外部验证、可用性、临床影响和部署后监测应贯穿产品全生命周期。5

第五层是上线后的真实世界性能。FDA在一份关于AI医疗器械真实世界性能评价的公开征求意见文件中(该文件用于讨论,不是最终指南),特别讨论了输入与输出变化、数据漂移、概念漂移、工作流变化、用户行为和临床指南变化对性能的影响,并提出持续监测、数据质量、互操作、人工复核和触发式再评估等问题。6 对无感监测系统而言,漂移信号可以包括可用窗口比例下降、某类姿态的假警增加、设备更换后误差改变、远程人员频繁驳回同一类型告警、网络中断造成的延迟,以及不同亚组的漏检差距扩大。触发阈值后,应有暂停自动升级、增加人工复测、重新标定、重标注、重新验证和版本回滚的流程。

验收文件应以数据卡、标签指南、试采报告、质量记录、问题清单、版本清单和独立验证报告组成,而不是只交一张效果截图。每个指标要说明分母、时间范围、样本排除规则、参考设备、统计方法和置信区间;每个例外要说明是设备故障、信号不可用、人工分歧还是模型错误。业务方如果提出“全场景覆盖”“快速响应”或“减少漏报”等目标,应先转成可测量的对象、窗口、阈值和责任人,并通过小规模试采确认能否获得所需证据。没有这些前置定义,任何固定准确率或效率承诺都不能作为通用结论。

研发与交付边界:数据能力不等于医疗器械现货

在已核验的企业能力范围内,朗慧的定位更适合表述为医疗数据目录匹配、采集与处理、标注质检、项目规格和数据交付支持。其质量交付逻辑应以项目书面规格、样例、数据卡、质量记录和版本管理为依据,不设一个脱离任务的统一准确率,也不把网站自述的服务定位转换成临床器械认证、医疗机构资质或已完成的治疗效果。对于毫米波设备采购、现场安装、远程会诊系统接入、医疗器械合规和临床研究伦理,应由项目方另行核验供应商、设备注册状态、接口条件和医疗责任边界。

更稳妥的交付路径可以分为四步。第一步是需求澄清,确认监测对象、空间、采样策略、参考测量、预期用途、人工处置路径和隐私边界;第二步是匿名化试采,先验证设备安装、时间同步、目标关联和信号质量,不急于训练疾病模型;第三步是小规模双盲标注与独立验证,围绕测量误差、异常事件和告警工作量调整规则;第四步才是分阶段上线,在有限空间运行影子模式,比较模型提示与人工现行流程,再决定是否允许自动升级。每一阶段都应有停止条件和回滚条件,避免把未完成的试验当成生产系统。

从业务逻辑看,这类项目的价值不在于把所有照护动作自动化,而在于把稀缺的专业注意力放在更需要复核的时刻:减少不必要的人工巡检和重复录入,同时保留无法由传感器替代的观察、问诊、体格检查和临床判断。若系统带来的告警数量超过团队可处理能力,或无法说明哪些数据支持了告警,它可能增加而不是降低安全风险。只有当无感采集、质量门控、远程协作、专家标注和持续验证共同成立,监测数据才有机会转化为可靠的照护基础设施。

本文讨论的是医疗AI研发与数据采购中的需求拆解、数据治理和验收方法,不提供任何个体的诊断、治疗或用药建议。具体项目仍需根据目标人群、设备、场景、伦理审查、数据授权和适用法规制定书面方案,并由合格医疗专业人员负责最终判断。

参考来源

  1. Clinical validation of non-contact vital signs in an emergency department setting
  2. Detection of vital signs based on millimeter wave radar
  3. An Infrastructure Framework for Remote Patient Monitoring
  4. A systematic review of the impacts of remote patient monitoring (RPM) interventions on safety, adherence, quality-of-life and cost-related outcomes
  5. Generating evidence for artificial intelligence-based medical devices: a framework for training, validation and evaluation
  6. Measuring and Evaluating Artificial Intelligence-enabled Medical Device Performance in the Real-World: Request for Public Comment