[논문 리뷰] Hospital Capacity Planning Using Discrete Event Simulation Under Special Consideration of the COVID-19 Pandemic

Thomas Bartz–Beielstein, Frederik Rehbach외 2명|arXiv (Cornell University)|2020. 12. 14.

Simulation Techniques and Applications참고 문헌 5인용 수 10

한 줄 요약

이 논문은 코로나19 팬데믹 기간 동안 병원 능력 계획을 위한 오픈소스 R 기반 이산사건 시뮬레이션 도구인 babsim.hospital을 제시한다. 이 도구는 시뮬레이션, 최적화(Spot를 통한), 및 고유한 통계 분포(특히 잘라내고 이동시킨 감마 분포)를 통합하여 연령 및 성별에 특화된 위험 프로파일을 반영해 환자 유입, 입원 기간, 전이 확률을 모델링하며, ICU 침대, 산소호흡기, 인력 등의 자원 최적화 및 시나리오 분석을 가능하게 한다.

ABSTRACT

We present a resource-planning tool for hospitals under special consideration of the COVID-19 pandemic, called babsim.hospital. It provides many advantages for crisis teams, e.g., comparison with their own local planning, simulation of local events, simulation of several scenarios (worst / best case). There are benefits for medical professionals, e.g, analysis of the pandemic at local, regional, state and federal level, the consideration of special risk groups, tools for validating the length of stays and transition probabilities. Finally, there are potential advantages for administration, management, e.g., assessment of the situation of individual hospitals taking local events into account, consideration of relevant resources such as beds, ventilators, rooms, protective clothing, and personnel planning, e.g., medical and nursing staff. babsim.hospital combines simulation, optimization, statistics, and artificial intelligence processes in a very efficient way. The core is a discrete, event-based simulation model.

연구 동기 및 목표

• 코로나19 팬데믹 기간 동안 동적인 불확실성 조건 하에서 병원 자원 및 능력 계획의 과제를 해결한다.
• 위기 팀이 지역 시나리오와 대응을 평가할 수 있도록 표준화되고 유연성 있는 시뮬레이션 프레임워크를 제공한다.
• 의료 전문가들이 지역에서부터 연방 수준까지 다양한 관리 수준에서 위험군에 따라 분류된 방식으로 팬데믹 영향을 분석할 수 있도록 한다.
• 의료 기관 관리자 및 책임자들이 데이터 기반 시뮬레이션을 활용해 침대, 산소호흡기, 병실 및 인력 계획을 최적화할 수 있도록 지원한다.
• 합성 데이터 생성 및 입원 기간 및 전이 확률 파rameter의 검증을 지원하는 유연하고 확장 가능한 시뮬레이션 도구를 개발한다.

제안 방법

• 환자 유입을 병원 단계(예: 감염에서 입원, 중환자실 입원, 회복 또는 사망)로 모델링하기 위해 R 패키지 'simmer'를 사용한 이산사건 시뮬레이션 모델을 구현한다.
• 상태 전이 확률, 입원 기간, 분포 성질 등의 핵심 파라미터를 校정하기 위해 순차적 파ram터 최적화(SPOT)를 사용한다.
• 특히 중증 환자를 위한 입원 기간을 현실적으로 모델링하기 위해 고유의 잘라내고 이동시킨 감마 분포를 개발한다.
• 연령 및 성별에 특화된 위험 프로파일을 통합하여 감염 및 중증도 결과의 차이를 시뮬레이션에 반영한다.
• 모델 캘리브레이션 및 시나리오 구성에 사용하기 위해 로베르트 코흐 연구소(RKI) 및 DIVI 중환자실 등록부의 실제 데이터를 통합한다.
• 실제 데이터가 확보되지 않은 환경에서는 합성 데이터 생성을 가능하게 하여 시나리오 테스트 및 파라미터 민감도 분석을 지원한다.

실험 결과

연구 질문

• RQ1 어떻게 이산사건 시뮬레이션을 코로나19와 같은 팬데믹 기간 동안 병원 자원 활용도를 효과적으로 모델링하는 데 활용할 수 있는가?
• RQ2 SPOT 기반 최적화는 병원 시뮬레이션 모델에서 입원 기간 및 전이 확률 파라미터의 校정을 얼마나 향상시킬 수 있는가?
• RQ3 연령 및 성별에 특화된 위험 프로파일은 다양한 팬데믹 시나리오 하에서 시뮬레이션된 중환자실 침대 수요와 자원 부담에 어떤 영향을 미치는가?
• RQ4 babsim.hospital와 같은 시뮬레이션 도구는 지역 조건이 다른 병원들 간에 표준화되고 지역 맞춤형 위기 계획을 지원할 수 있는가?
• RQ5 데이터 품질 및 가용성은 시뮬레이션 기반 병원 능력 계획의 신뢰성과 유용성에 어떤 영향을 미치는가?

주요 결과

• babsim.hospital 모델은 특히 고유의 잘라내고 이동시킨 감마 분포를 사용함으로써 현실적인 입원 기간 분포를 잘 시뮬레이션했다.
• SPOT 기반 최적화는 파라미터 校정을 크게 향상시켰으며, 최종 모델의 결정계수 R²는 0.3807이며, 유의미한 F통계량(p-value: 1.307e-09)을 보이며 강력한 설명력을 나타냈다.
• 회귀 스크리닝을 통해 'AmntDaysInfectedToHospital' 및 'AmntDaysNormalToHealthy'와 같은 핵심 파라미터가 중환자실 침대 수요에 가장 큰 영향을 미친 것으로 확인되었다.
• 모델은 다양한 지역적 맥락에 매우 뛰어난 적응력을 보였으며, 독일 설정에서 개발되었음에도 불구하고 영국 데이터를 사용한 시뮬레이션에서도 성공적으로 작동했다.
• 도구는 최악의 경우와 최선의 경우 팬데믹 전망을 포함한 강력한 시나리오 분석을 가능하게 하였으며, DIVI 중환자실 등록부의 실제 현장 데이터와의 검증 결과가 확인되었다.
• 합성 데이터 생성 통합으로 데이터 부족 환경에서도 신뢰할 수 있는 시뮬레이션을 가능하게 하여, 준비 계획의 유용성을 높였다.