馮佳怡?柳立平?周芬?沈南萍

摘? 要：兒童急性淋巴細胞白血病等血液病種類繁多，且易出現(xiàn)反復性貧血、出血、感染等不可預期的情況，嚴重可導致休克及死亡。上海兒童醫(yī)學中心每年承接近5 700名兒童血液病患者，超過全國兒童血液病患者的1/3，白血病早期預警系統(tǒng)的智能化建設(shè)可為醫(yī)生提前介入提供依據(jù)。運用兒童早期預警評分PEWS，對病區(qū)（42張床位）進行測試，證實發(fā)現(xiàn)該方法可提供至少11小時的預警，需381 min。同時，該方案用通過物聯(lián)及CNNS卷積神經(jīng)網(wǎng)絡(luò)深度學習的手段實現(xiàn)PEWS實時計算。

關(guān)鍵詞：兒童早期預警評分;白血病;物聯(lián)技術(shù);CNNS神經(jīng)網(wǎng)絡(luò);深度學習

中圖分類號：TP18;R-331? ? ? ? ? ?文獻標識碼：A文章編號：2096-4706（2022）02-0119-05

Abstract： There are many kinds of blood diseases such as acute lymphoblastic leukemia in children， and they are prone to unpredictable situations such as recurrent anemia， bleeding and infection， which can seriously lead to shock and death. Shanghai Children's Medical Center accepts nearly 5 700 children with hematological diseases every year， more than 1/3 of the national children with hematological diseases. The intelligent construction of the early warning system for leukemia can provide a basis for doctors to intervene in advance. Using the Pediatric Early Warning Score （PEWS）， testing of the ward （42 beds） confirmed that the method can provide at least 11 hours of early warning， which takes 381 minutes. At the same time， the scheme realizes the real-time calculation of PEWS by means of deep learning of IOT and CNNs convolutional neural network.

Keywords： PEWS; leukemia; IOT technology; CNNS neural network; deep learning

0? 引? 言

為了讓更多白血病患兒得到及時有效的治療，本文擬設(shè)計一個全自動智能計算PEWS值的系統(tǒng)。該系統(tǒng)將PEWS需要的數(shù)據(jù)：監(jiān)護儀數(shù)據(jù)對接電子病歷系統(tǒng)并結(jié)合經(jīng)（Artificial Intelligence， AI）處理提取的面部及精神特征值，兩者結(jié)合實現(xiàn)PEWS實時評估。項目實施分為三部分：第一部分實現(xiàn)病房監(jiān)護儀與醫(yī)院HIS及電子病歷系統(tǒng)的無線對接，這一部分主要實現(xiàn)設(shè)備信息物聯(lián)，將病患的心率、血氧飽和度、呼吸等參數(shù)對接到醫(yī)院電子病歷系統(tǒng)，替代醫(yī)務人員手動錄入信息的環(huán)節(jié)，其中涉及Wi-Fi覆蓋、不同品牌監(jiān)護儀與HIS端口對接等技術(shù)性問題。第二部分AI智能算法代替人眼識別對病人膚色等面部數(shù)據(jù)進行識別及建模評分，利用CNN神經(jīng)卷積網(wǎng)絡(luò)模型提取部分深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中深度圖像特征，并賦予其數(shù)值。第三部分將這兩部分的數(shù)據(jù)一起并構(gòu)建特征組與PEWS值表達之間相關(guān)性關(guān)系模型，實現(xiàn)PEWS值的自動化計算，并在電子病歷部分中體現(xiàn)出實時的PEWS值。

1? 現(xiàn)狀分析

我院血液腫瘤科為國家重點?？?，年收治全國各地白血病人約5 700例。由于血液病種類繁多且易出現(xiàn)反復性貧血、出血、感染和白血病細胞浸潤各臟器等不可預測突發(fā)狀況，致使患兒在短時間內(nèi)產(chǎn)生急性休克等狀況，所以兒童血液病人的預警建設(shè)在我院就尤為重要。波士頓兒童醫(yī)院的PEWS兒童早期預警評分（Pediatric Early warning score， PEWS）評估方法，對血液病患兒進行評估。PEWS需要兩部分數(shù)據(jù)：第一部分是由監(jiān)護儀提供的患兒血壓、心電、血氧及呼吸實時信息;第二部分是患兒精神狀態(tài)及特征等需視覺及語言交流作為判定依據(jù)。幾部分信息結(jié)合計算獲得PEWS值，計算值域如表1所示。

該評分方法有助于患兒病情惡化的早期預警，避免患兒發(fā)生心肺功能衰竭，提供至少11 h預警時間，有助于醫(yī)療團隊早期介入，改進治療方案或者轉(zhuǎn)移至有條件的重癥監(jiān)護病房（ICU）。

試點病區(qū)的42張床位每天進行PEWS評估需要的總平均時間為383.5 min，由此可見，依靠人工方法采集數(shù)據(jù)需要投入相當大的人力，在本已緊張的臨床工作中加入動態(tài)、連續(xù)性PEWS評估，責任護士工作負擔急劇增加。因此，盡管此評估對患兒意義重大，但目前只能在部分患兒實施，大部分患兒可能因此而錯失及時評估和及時治療。如何切實解決這種臨床迫切需要是我們必須解決的問題。

2? 智能血液病患兒智能預警系統(tǒng)建設(shè)步驟

研究如何實現(xiàn)病房現(xiàn)有的監(jiān)護儀與醫(yī)院HIS及電子病歷系統(tǒng)數(shù)據(jù)無線對接，其中會涉及到實現(xiàn)移動病人數(shù)據(jù)全Wi-Fi覆蓋的方案、各品牌監(jiān)護儀與醫(yī)院HIS系統(tǒng)及電子病歷端口銜接等技術(shù)問題。這一部分工作將監(jiān)護儀數(shù)據(jù)無線對接到研究對象的電子病歷中，實現(xiàn)體征數(shù)據(jù)實時、準確、共享的目的。F3521F5E-FEDC-48F0-9D92-299061994CD7

利用CNNs（神經(jīng)卷積網(wǎng)絡(luò)模型）提取部分深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中深度圖像特征（如灰度特征、形態(tài)學特征、紋理特征、直方圖特征等）。構(gòu)建影像組學特征與PEWS值表達之間相關(guān)性關(guān)系模型，篩選有效的圖像組學特征建設(shè)病人的面部數(shù)據(jù)識別信息庫，根據(jù)患兒不同分型設(shè)計建模，確定算法及相應的評分標準，嘗試用人工智能替代肉眼進對病人膚色等外部可視信息進行科學評分。

將無線傳輸?shù)诫娮硬v中數(shù)據(jù)與人工智能識別后的評分相結(jié)合得到實時的PEWS值，并將該值與HIS系統(tǒng)同步，顯示的預警提示值及時提醒醫(yī)院人員對病患采取干預，提高病患救治率。

3? 智能血液病患兒智能預警系統(tǒng)工作原理

3.1? 系統(tǒng)數(shù)據(jù)無線對接步驟

研究設(shè)計基于無線網(wǎng)絡(luò)，數(shù)字化采集患兒生命體征數(shù)據(jù)，如心率、血氧飽和度、呼吸等參數(shù)與EMR/CIS（電子病歷）系統(tǒng)進行對接，實現(xiàn)體征數(shù)據(jù)實時、準確、共享的目的。

步驟描述為：（1）患者入院后，分配保存患者信息的唯一標識腕帶以確定患者身份。（2）患者接入設(shè)備支持輔助（監(jiān)護儀、呼吸機等）治療時，進行掃描（設(shè)備需具有掃描功能）確認身份。（3）支持輔助設(shè)備向采集服務器進行數(shù)據(jù)傳輸。（4）數(shù)據(jù)采集服務器與設(shè)備進行通訊，并將采集到的數(shù)據(jù)存儲到數(shù)據(jù)庫中完成全部流程。具體步驟如圖1所示。

3.2? 步驟具體實施

3.2.1? 病人監(jiān)護儀數(shù)據(jù)實現(xiàn)無線傳輸

當前監(jiān)護儀由于品牌、接口、協(xié)議等不盡相同導致數(shù)據(jù)采集的難度較大。當前設(shè)備數(shù)據(jù)接口有RJ45、RS232、RS485、RJ11等，其中以RJ45與RS232最為常見。目標是基于Wi-Fi網(wǎng)絡(luò)進行研究，所以設(shè)備數(shù)據(jù)采集部分涉及將多種接口進行轉(zhuǎn)換、統(tǒng)一達成基于Wi-Fi進行傳輸?shù)哪康?。對于儀器設(shè)備轉(zhuǎn)換采集通常有三種情況分別是：（1）RJ45->Wi-Fi轉(zhuǎn)換傳輸;（2）Wi-Fi->Wi-Fi傳輸;（3）RS232->Wi-Fi轉(zhuǎn)換傳輸。本項目采用Wi-Fi->Wi-Fi傳輸，其前提條件是所有的傳輸需在醫(yī)院統(tǒng)一的Wi-Fi下進行，且要保持各個監(jiān)護信號傳輸點的通訊順暢。Wi-Fi信號穩(wěn)定與服務器資源充足是研究能否深入的基礎(chǔ)保障，本文中數(shù)據(jù)傳輸特點是，瞬時數(shù)據(jù)流量較小但連接頻繁，故組網(wǎng)時應把高穩(wěn)定性低延遲作為首要目標，具體為標準及測試方法為：選取無線信號覆蓋的任意5個接入點，進行PING測試。發(fā)送1 000個1 000字節(jié)的PING包，以不丟包為測試合格。選取建筑物角落進行信號強度測試，不低于65 dBm為測試合格。

圖1? 監(jiān)護儀與醫(yī)院HIS及電子病歷系統(tǒng)數(shù)據(jù)無線對接步驟

本文按照醫(yī)院實際情況進行討論，滿足以上條件后，項目組開始在各個病房反復踩點，在病房中間及四個測定設(shè)備在血液科不同點是否可以保證Wi-Fi信號的順利傳輸，經(jīng)過幾次測定，發(fā)現(xiàn)在病房的角落Wi-Fi信號不穩(wěn)定無法順利傳輸。解決方案是在四個角落增加AP增強信號，為保障在血液樓每一層實現(xiàn)Wi-Fi無損失傳輸，在每個房間增加2個左右的AP。萬一實在遇到Wi-Fi信號弱的盲點，數(shù)據(jù)在監(jiān)護儀中可保留48～240個小時，可以根據(jù)時間點提取。經(jīng)過調(diào)試，我們發(fā)現(xiàn)病房的角落Wi-Fi信號比較弱，然后增加了AP進行信號增強以保障項目順利實施。

3.2.2? 計算服務器容量

本項目中服務器作為數(shù)據(jù)解密單元及數(shù)據(jù)存儲單元，其高速、穩(wěn)定、可擴展是本項目正常運轉(zhuǎn)的基礎(chǔ)，已知每名患者每采集頻率生成的數(shù)據(jù)量為10 KB，最快采集頻率為30分鐘一次，集合項目研究需求存儲資源需求式為：

40 KB×2（次）×24 h×365（天）×3（年）×100（患者數(shù)）×1.2（冗余）=250 GB

CPU頻率4 000 Hz，內(nèi)存32 GB，網(wǎng)絡(luò)千兆雙冗余即可滿足需求。

3.2.3? 監(jiān)護儀數(shù)據(jù)解密

在完成物理連接之后，接下來需要將數(shù)據(jù)進行采集后需要進行傳輸及解密，為保證原始數(shù)據(jù)的完整性，本文采用先傳輸后轉(zhuǎn)譯的形式進行。即通過物理線纜或工業(yè)硬件采集設(shè)備與監(jiān)護儀設(shè)備進行物理連接后，在服務器中部署數(shù)據(jù)采集軟件，與監(jiān)護儀進行鏈路保持。通過定時發(fā)送“hello”保持信息，使服務器與監(jiān)護儀設(shè)備保持數(shù)據(jù)連接傳輸狀態(tài)。此部分數(shù)據(jù)傳輸模型如圖2所示。

經(jīng)過傳輸服務器中已經(jīng)接收到數(shù)據(jù)，數(shù)據(jù)樣例是：

此時數(shù)據(jù)沒有經(jīng)過處理，無法直接引用保存。由于此消息采用HL7標準數(shù)據(jù)格式進行封裝，于是采用HL7格式進行解密，HL7數(shù)據(jù)格式如圖3所示。

說明：消息開始標志（1字節(jié)）對應于ASCII的，十六進制為<0x0B>。

HL7消息為多個字節(jié)，只能包括ISO 8859-1字符（十六進制值為0x20到0xFF）以及回車符。不能包含其他控制字符與不可見字符。服務端接收的消息中如果存在非法控制字符，將不進一步處理。消息結(jié)束標志（2字節(jié)）分別對應于ASCII的，十六進制為<0x1C><0x0D>。根據(jù)如上解析規(guī)則，真實數(shù)據(jù)解析為：

PV1||I|^^CCU&12&3232241478&4601&1|||||||||||||||U|

解釋：科室名稱為“CCU”;床號為“12”;TCP連接端口號為“4 601”;接收病人標志位為“1”（已接收病人）。IP地址為網(wǎng)絡(luò)字節(jié)序的32位數(shù)字;“3 232 241 478”對應的IP地址是“192.168.23.70”?！? 232 241 478”的二進制格式為“11000000 10101000 00010111 01000110”，從左到右，第一個8位“11 000 000”對應的十進制數(shù)為“192”;第二個8位“10 101 000”對應的十進制數(shù)為“168”;第三個8位“00 010 111”對應的十進制數(shù)為“23”;第四個8位“01 000 110”對應的十進制數(shù)為“70”。F3521F5E-FEDC-48F0-9D92-299061994CD7

3.3? 通過AI學習方法設(shè)計不同類型的圖像學特征

該部分主要對病人的面部圖像等進行采集后，由AI進行對圖像的特征值主要包括：灰度特征、形態(tài)學特征、紋理特征等進行深度學習，提取有效特征值，利用CNNs網(wǎng)絡(luò)模型提取部分深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中深度圖像特征，結(jié)構(gòu)圖如圖4所示。

其具體表達為：計算機通過采集大量病人大量圖像的深度學習，提煉其淺層圖像特征，中度特征至深度特征，到最后進行分類，這樣的過程可認為對圖像的一個打分，比如面色貨唇色泛白的病人為1分，面色或唇色青紫的病人為2分，這樣一個過程，在這個過程中計算機通過深度學習后得出的結(jié)論小于偏差的3.37%，遠高于人工判定的正確性，同時也可避免因護理人員經(jīng)驗不足等原因所造成的誤判斷。之后，構(gòu)建影像組學特征與PESE值表達之間相關(guān)性關(guān)系模型，篩選有效的影像組學特征，得出有效的影像組學特征后構(gòu)建訓練和測試數(shù)。據(jù)樣本集，使用深度學習網(wǎng)絡(luò)模型，如（Stacking Auto-Encoder， SAE）、（Deep Belief Network， DBN）、（Deep Belief Machine， DBM）等，預測預警值預期。利用測試集數(shù)據(jù)對預測模型進行測試和驗證，并進一步優(yōu)化網(wǎng)絡(luò)模型中的結(jié)構(gòu)和參數(shù)，如圖5所示。

綜合上述兩部分，通過計算客觀可獲取數(shù)據(jù)加上AI優(yōu)化過的特征值來確定病人的PEWS值進行預警，如圖6所示。

神經(jīng)功能AI影像特征值（1）呼吸功能、呼吸頻率、呼吸做功及氧氣治療水平;

得出該PEWS值以后，將該值反饋到HIS系統(tǒng)中反應在病人的電子病歷中用于提醒護士，真正起到實時科學預警的作用。

4? 智能血液病患兒智能預警系統(tǒng)應用預計成果

4.1? 完成不同監(jiān)護儀品牌與醫(yī)院電子病歷（EMR）系統(tǒng)無線無縫對接

完成之后，該流程可做到全程數(shù)字化的不同系統(tǒng)信息對接，可以節(jié)省至少20%左右的護理工作量的同時可以避免手工錄入誤差的可能性從而提高護理質(zhì)量。全數(shù)字化流程還可以減少中央監(jiān)護站的投入使用，比如一套中央監(jiān)護10萬，該病區(qū)有3個品牌的監(jiān)護儀，則共計可減少30萬的醫(yī)療成本投入。

該部分的完成奠定了醫(yī)院進行病人數(shù)據(jù)全數(shù)字無紙化傳輸?shù)幕A(chǔ)，醫(yī)院其他病房也可效仿，這樣可節(jié)省全院約20%左右的護理資源。

同時，該部分的完成也預示著其他電子設(shè)備接入電子病歷系統(tǒng)的可能性，為今后醫(yī)院實行設(shè)備全數(shù)字化信息管理奠定了扎實的理論和操作基礎(chǔ)。

4.2? 用CNNs網(wǎng)絡(luò)模型提取部分深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中深度圖像特征

構(gòu)建影像組學特征與PESE值表達之間相關(guān)性關(guān)系模型，利用測試集數(shù)據(jù)對預測模型進行測試和驗證，并進一步優(yōu)化網(wǎng)絡(luò)模型中的結(jié)構(gòu)和參數(shù)進行算法建模，該算法得出的分值結(jié)合第一部分監(jiān)護數(shù)據(jù)的分值得出血液病人的整體分值建立有效的快速準確得出PEWS預警值，提供充裕的時間促使醫(yī)療團隊早期改進治療方案或者轉(zhuǎn)移至有條件的ICU，提高兒童血液病人的治愈率和生存概率。

5? 結(jié)? 論

PEWS在血液科的預警評分標準已經(jīng)在波士頓兒童醫(yī)院、辛辛那提兒童醫(yī)院、中南大學湘雅醫(yī)院等三級兒童醫(yī)院血液腫瘤科試點成功并得到認可和應用，除此之外，諸多文獻中也表明PEWS在其他病區(qū)如胸外科、急診及神經(jīng)內(nèi)科等也有試點也應用證明其有效性，只是在不同病區(qū)PEWS的值和計算的分值會有不同，待項目成功后準備對不同的病區(qū)開始試點，在本院全面推廣試行。PEWS值被諸多文獻證明具有普適性意義，本項目具有可持續(xù)發(fā)展的深遠意義，其不僅能及時發(fā)現(xiàn)潛在的重癥血液病兒童，也能及時預警其他種類的病患。本項目的試行成功不僅對我院血液病患兒有著重大意義，而且能應用到其他病區(qū)，未來我院的試點成功將對整個兒科系統(tǒng)提高搶救治療率有重大的意義。

參考文獻：

[1] 周芬，潘慈，高怡瑾，等.兒童早期預警評分對血液腫瘤患兒病情變化的預測價值及可行性研究 [J].解放軍護理雜志，2019，36（4）：6-10.

[2] 劉煜，陳歷賽，段穎暉，等.兒童早期預警評分在PICU病毒性腦炎患兒病情轉(zhuǎn)歸中的預測價值 [J].護理學雜志，2017，32（5）：24-26.

[3] 張佳燕，胡菲，張玉俠.兒童早期預警評分在留診觀察患兒分流中的應用 [J].護理研究，2015，29（30）：3744-3746.

[4] DUNCAN H，HUTCHISON J，PARSHURAM C S. The Pediatric early warning system score： A severity of illness score to predict urgent medical need in hospitalized children [J].Journal of Critical Care，2006，21（3）：271-278.

[5] ASYA A，PETER F，NICOLE S，et al. Validation of a pediatric early warning score in hospitalized pediatric oncology and hematopoietic stem cell transplant patients [J].Pediatric Critical Care Medicine，2016，17（4）：146-153.

[6] 唐慧，楊艷，李映蘭，等.兒童早期預警評分在急性淋巴細胞白血病患兒中的應用[J].中華護理雜志，2017，52（12）：1422-142.

[7] AGULNIK A，NADKARNI A，ROBLES L N M，et al. Pediatric early warning systems aid in triage to intermediate versus intensive care for pediatric oncology patients in resource-limited hospitals [J/OL].Pediatric Blood & Cancer，2018，65（8）：e27076.[2021-11-03].https：//onlinelibrary.wiley.com/doi/10.1002/pbc.27076.F3521F5E-FEDC-48F0-9D92-299061994CD7

[8] ACKER S N，WATHEN B，ROOSEVELT G E，et al. Rapid response team activation in pediatric surgical patients [J].European journal of pediatric surgery，2017，27（1）：81-85.

[9] AGULNIK A，ACEITUNO A M E，ROBLES L N M，et al. Validation of a pediatric early warning system for hospitalized pediatric oncology patients in a resource-limited setting[J].Cancer，2017，123（24）：4903-4913.

[10] DEMMEL KM，WILLIAMS L，F(xiàn)LESCH L. Implementation of the Pediatric Early Warning Scoring System on a Pediatric Hematology/Oncology Unit [J].Journal of Pediatric Oncology Nursing，2010，27（4）：229-240.

[11] AGULNIK A，ROBLES L N M，F(xiàn)ORBES P W，et al. Improved outcomes after successful implementation of a pediatric early warning system（PEWS）in a resource-limited pediatric oncology hospital [J].Cancer，2017，123（15）：2965-2974.

[12] 王麗，張富強，何偉鋒，等.兒童早期預警評分在意外傷害急診患兒病情評估中的應用 [J].護理學報，2015，22（16）：56-58.

[13] 董梅德，吳玲，相波，等.臨床科室護理工作性質(zhì)調(diào)查分析 [J].護理學雜志，2015，30（12）：73-75.

[14] 張梅，范媛，朱繼紅，等.兒童早期預警評分系統(tǒng)在小兒普外科中的應用 [J].中華現(xiàn)代護理雜志，2014，20（32）：4133-4137.

[15] DONG S Y，LUO G N，TAM C，et al. Deep Atlas Network for Efficient 3D Left Ventricle Segmentation on Echocardiography [J/OL].[2021-12-06].Med Image Analysis，2020，61：101638.https：//www.sciencedirect.com/science/article/abs/pii/S1361841520300050.

[16] RONNEBERGER O，F(xiàn)ISCHER P，BROX T. U-Net：Convolutional Networks for Biomedical Image Segmentation [C]//Medical Image Computing and Computer-Assisted Intervention–MICCAI 2015. Munich：Springer.2015：234-241.

[17] SZEGEDY C，LIU W，JIA Y Q，et al. Going deeper with convolutions [C]//2015 IEEE Conference on Computer Vision and Pattern Recognition（CVPR）.Boston：IEEE，2015：1-9.

[18] SZEGEDY C，VANHOUCKE V，IOFFE S，et al. Rethinking the Inception Architecture for Computer Vision [C]//2016 IEEE Conference on Computer Vision and Pattern Recognition（CVPR）.Las Vegas：IEEE，2016：2818-2826.

[19] Zhou Z W，Siddiquee M M R，Taibakhsh N，et al. UNet++： A nested U-Net architecture for medical image segmentation [C]//Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support.Granada：Springer，2018：3-11.

[20] JADERBERG M，SIMONYAN K，ZISSERMAN A，et al. Spatial transformer networks [C]//the 28th International Conference on Neural Information Processing Systems.Montreal：MIT Press，2015：2017-2025.

[21] ALJABAR P，HECKEMANN R A，HAMMERS A，et al. Multi-atlas based segmentation of brain images：Atlas selection and its effect on accuracy [J].Neuroimage，2009，46（3）：726-738.

[22] AWATE S P，ZHU P H，WHITAKER R T. How Many Templates Does It Take for a Good Segmentation？：Error Analysis in Multiatlas Segmentation as a Function of Database Size [C]//MBIA：International Workshop on Multimodal Brain Image Analysis.Nice：Springer，2012，7509：103-114.

[23] BADRINARAYANAN V，KENDALL A，CIPOLLA R. SegNet：A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation [J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2017，39：2481-2495.

[24] ZHAO H S，SHI J P，QI X J，et al. Pyramid Scene Parsing Network [C]//2017 IEEE Conference on Computer Vision and Pattern Recognition（CVPR），Honolulu：IEEE，2017：6230-6239.

[25] 王麗嘉，蘇新宇，李亞，等.基于COLLATE融合多圖譜的心臟電影MRI右心室分割 [J].波譜學雜志，2018，35（4）：407-416.

作者簡介：馮佳怡（1983.09—），女，漢族，上海人，工程師，碩士，研究方向：可穿戴人工智能、圖像處理;通訊作者：柳立平（1983.01—），女，漢族，上海人，研究方向：智慧護理、重癥醫(yī)學、呼吸理療。F3521F5E-FEDC-48F0-9D92-299061994CD7