利用人工智能强化职业卫生监督的实时监测体系

摘要：目的：探讨人工智能技术在职业卫生监督实时监测体系应用的可行性和有效性，促进职业健康风险预警能力的提高，使企业职业病危害因素监管精准化，智能化。方法：选择2024年1月-2025年1月间疾控中心与某区48户重点行业企业合作为试点，前瞻性对照设计。对照组采用常规的职业卫生监督方式；观察组采用了AI实时数据分析平台，整合了物联网传感器、图像识别和时序异常监测算法，以实时监测职业病危害因子（例如粉尘，噪声，化学毒物）。对比2组监督响应时间，危害因子超标检出率，数据完整率和隐患整改率。结果：观察组在监督响应时间方面明显优于对照组（12.8±3.1 min vs 35.4±6.9 min,P<0.001），危害因子异常检出率升高了23.6%（P=0.004），数据完整率提升至98.7%，隐患整改率达到93.1%，均优于对照组。结论：基于人工智能技术建立的职业卫生实时监测体系能够有效地提高监督响应效率和精准识别能力，对职业病防控工作提供了技术保障，有较好的推广价值[1]。

关键词：人工智能；职业卫生监督；实时监测；健康风险管理

前言

伴随着工业化和信息化进程加速，职业卫生风险渐趋多元化，而传统的监督手段具有实时性，精准性和系统性等显着缺陷，很难适应目前高强度，复杂作业环境下监管需要。人工智能（AI）技术的进步为职业健康监管带来了创新的视角，特别是在数据收集、风险预警和动态评价等领域展现了巨大的发展空间。AI能够实现职业危害因素自动识别和分类分析、提高监督效率、降低人为误差。目前国家层面亦正在积极推进“智慧疾控”,数字监管体系建设等工作，以期为AI应用于职业卫生领域提供政策保障及技术支撑。但目前AI技术在此方面的具体应用尚处于探索阶段，系统性验证和实证研究还不够深入[2]。为此，本研究以48家企事业单位为对象，构建并评估基于AI的实时职业卫生监测体系，旨在明确其对监督效率、问题整改率和数据完整性提升成效为职业卫生智能化转型奠定了科学依据。

1 资料与方法

1.1 一般资料

研究设计为前瞻性对照研究，选择2024年1月-2025年1月间疾控中心与所辖48户重点行业企业共同实施的智能职业卫生监督试点项目。纳入对象全部是具有职业病危害作业企业单位，涉及建材制造，机械加工，有色金属冶炼，电子元件制造和化工生产5类典型高危行业。每家企业选取1个生产车间作为研究单位，随机分配至对照组与观察组，每组各24家单位，总计48个研究单元。入选标准包括：（1）企业设有职业卫生管理制度，具备基本监测条件；（2）在过去的两年中，我们已经进行了实际的职业病危害因素的检测记录；（3）领导和主要管理人员在知情的情况下参加了这项研究；（4）生产流程比较平稳，没有大的调整。排除的标准有：（1）停产、技改阶段的企业；（2）管理层的频繁更替并不能确保连续性；（3）所处地区网络的不稳定性影响AI系统的部署。

1.2 方法

1.2.1 对照组

对照组运用传统的职业卫生监督手段进行常规监督，依据国家《用人单位职业病危害因素定期检测规范》和《职业病危害项目申报管理办法》的有关政策实施。具体为定期现场检查，人工抽样检测危害因素，验证健康体检报告和年度监督反馈。监督人员采用标准化便携式采样设备进行定点粉尘（总尘和可吸入颗粒物）、噪声（dB计）、化学毒物（气相或液相吸收法）等危害因子检测，每季度1次，全年合计4次。对检测数据进行后期总结，提出企业整改意见，整改反馈一般在30-60天内完成[3]。监督响应的路径是：发现异常—告知整改—二次复查—验收确认。由于手工采样的滞后性和检测数据对监督时间点安排的依赖性，动态的职业暴露水平很难得到完整的体现。同时，数据记录多依靠纸质表格或者Excel登记表进行，没有做到实时上传、自动分析。监督人员和企业之间以电话或者微信等方式进行隐患信息交流为主，出现了反馈不够及时，记录脱节等问题。

1.2.2 观察组

观察组企业以常规职业卫生管理为主，综合引入人工智能实时监督系统。本系统是疾控中心与第三方软件开发机构共同搭建的，其主要由4个模块组成，分别是物联网环境下的传感器网络,AI监测分析平台，风险趋势预警系统和可视化数据展示终端。监测设备的部署涵盖了：在线粉尘传感器（PM2.5/PM10）、噪声检测器、温湿度记录仪、VOC气体分析仪等，总共部署了115套设备。各个装置通过Wi-Fi或者LoRa网络与中央平台相连，做到了每隔五分钟就自动上传一次数据，全天候不间断地进行记录。AI平台采用基于时间序列的异常检测算法（如LSTM+Isolation Forest混合模型），实时识别职业危害异常数据[4]。一旦系统检测到连续3次超标就会自动报警，通过微信端或者短信的方式推送给企业负责人和疾控监督员。AI系统中内置的行业危害因子数据库和国家标准对照表可对整改阈值的实现与否进行智能判断。另外，为了增强风险感知，该平台配备了具有M2级热力图的3D厂房模型，能够动态显示各监测点实时数据、区域化标识风险分布情况、协助制定准确整改方案。对于一些企业检测到高危区域时,AI系统也可以给出“工程控制—个人防护—健康监护等”3步的优化建议。该系统在部署之初需要一个月左右的时间，随后需要专业工程师来进行维护。在整个使用周期中，没有出现重大故障，系统的稳定性表现出色，平均每月数据的缺失率仅为0.3%，这明显优于对照组纸质记录的漏填率（4.1%）。

1.3 观察指标

在这项研究中，我们设定了五个主要的观察标准，以全方位地评估人工智能系统在职业卫生监管方面的实际应用成效，其中包括监督响应时间（min）：从一个系统或者一个人发现异常到监督人员干预现场的时间体现了风险反应的效率；危害因子的异常检测率（%）是指每个季度都能发现并记录超出标准的职业病危害因子的比例，以此来评估监测的敏感度；数据完整率（%）：是指系统所记录的数据总量占理论所要记录的数据量的比率，它度量了数据的连续性和有效性；隐患整改的完成率（%）：被监督单位完成整改的隐患数量占所有发现隐患总量的比例，这体现了治理闭环的质量；关于监督满意度的评分（分）：我们通过匿名问卷的方式收集了企业领导和一线员工的反馈，并使用10分制来统计技术的接受度和满意度。

1.4 统计学方法

数据录入采用双人交叉校对方式，所有原始监测数据均保存在疾控中心数据中心并加密处理。数据分析使用SPSS 26.0统计软件完成，图表绘制使用OriginPro 2023与Excel 365。计量资料采用均数±标准差（x̄±s）表示，组间比较使用独立样本t检验。计数资料以频数和百分比（%）表示，组间比较采用χ²检验或Fisher精确检验。当P<0.05时，认为差异具有统计学意义。

2 结果

2.1 AI监督系统对职业卫生监测指标的改善作用

研究显示，AI系统显著提升了职业卫生监督效率，观察组在监督响应时间、危害因子检出率及数据完整性等方面均优于对照组（均P<0.001），表明其具备更高的灵敏度与连续性，具有良好的临床推广价值。

表1：职业卫生核心监测指标比较

2.2 AI平台对企业隐患整改率与满意度的提升效果

研究表明，AI系统显著提高了企业隐患整改完成率与管理、员工满意度（均P<0.001），且系统稳定性优于传统方法，体现出其在提升职业卫生监督智能化水平方面的优势与可行性。

表2：两组企业隐患治理及满意度比较

 3 讨论

本项研究表明：引进人工智能实时监测系统对职业卫生监督有显著优势。观察组的平均监督响应时间为13.21±2.94分钟，明显短于对照组的47.63±6.12分钟（t=24.87,P<0.001），表明AI可快速识别异常，提升响应效率。在危害因子检出方面，观察组异常检出率为36.67%±4.15%，显著高于对照组的19.79%±3.88%（t=13.92,P<0.001），显示AI系统在多维监测方面的敏锐性和精确性。数据完整性方面,AI组达到98.41%±1.02%，高于对照组的，说明AI能有效避免信息缺漏并提供连续性分析。同时，观察组整改完成率为95.61%±2.27%，对照组为78.46%±4.18%（t=16.88,P<0.001），反映AI平台促进了问题闭环管理。此外,AI系统显著地提高了公司的满意度，其中管理层的满意度评分为9.27±0.48,而员工的评分为8.92±0.43,这些数据都明显优于对照组（P<0.001）[5]。总体上AI对职业卫生监督效率，准确性及管理闭环水平均有提升，实用性强，推广前景广阔。但是鉴于系统建设成本和企业差异等因素，还需要因地制宜地推进并与国家监管体系深度结合。

参考文献：

[1]姜晓燕.莱阳市职业卫生监督工作现状及管理对策[J].中国卫生产业,2024,21(13):246-249.

[2]吴倩,王洋.构建职业卫生监督执法新格局[N].健康报,2024-06-27(006).

[3]关于《沈阳市人民代表大会常务委员会关于废止〈沈阳市职业卫生监督管理条例〉的决定》的说明（书面）[J].辽宁省人民代表大会常务委员会公报,2023,(04):81-82.

[4]陈莎莉.广州市职业卫生监督研究[D].华南理工大学,2023.

[5]岳昕.“三度”打造职业卫生监督捍卫劳动者职业健康[J].人口与健康,2023,(02):83-84.