[论文解读] From predictions to prescriptions: A data-driven response to COVID-19

Dimitris Bertsimas, Léonard Boussioux+19 more|arXiv (Cornell University)|Jun 30, 2020

COVID-19 epidemiological studies参考文献 28被引用 12

一句话总结

本文提出了一套数据驱动的框架，整合临床、医院及流行病学数据，用于预测新冠肺炎死亡率、预测疫情传播趋势，并优化呼吸机分配。通过机器学习与混合整数优化技术，该框架实现了实时分诊、重症监护病房规划及跨州资源调配——证明通过协调的转运和联邦支持，可完全消除呼吸机短缺问题，相关模型已在全球范围内部署，用于临床与政策决策。

ABSTRACT

The COVID-19 pandemic has created unprecedented challenges worldwide. Strained healthcare providers make difficult decisions on patient triage, treatment and care management on a daily basis. Policy makers have imposed social distancing measures to slow the disease, at a steep economic price. We design analytical tools to support these decisions and combat the pandemic. Specifically, we propose a comprehensive data-driven approach to understand the clinical characteristics of COVID-19, predict its mortality, forecast its evolution, and ultimately alleviate its impact. By leveraging cohort-level clinical data, patient-level hospital data, and census-level epidemiological data, we develop an integrated four-step approach, combining descriptive, predictive and prescriptive analytics. First, we aggregate hundreds of clinical studies into the most comprehensive database on COVID-19 to paint a new macroscopic picture of the disease. Second, we build personalized calculators to predict the risk of infection and mortality as a function of demographics, symptoms, comorbidities, and lab values. Third, we develop a novel epidemiological model to project the pandemic's spread and inform social distancing policies. Fourth, we propose an optimization model to re-allocate ventilators and alleviate shortages. Our results have been used at the clinical level by several hospitals to triage patients, guide care management, plan ICU capacity, and re-distribute ventilators. At the policy level, they are currently supporting safe back-to-work policies at a major institution and equitable vaccine distribution planning at a major pharmaceutical company, and have been integrated into the US Center for Disease Control's pandemic forecast.

研究动机与目标

• 为应对新冠肺炎大流行期间患者分诊与资源分配中的关键挑战。
• 开发一个统一的分析框架，整合描述性、预测性与规范性分析，以支持医疗与政策决策。
• 通过跨州转运与战略性联邦供应部署，减少呼吸机短缺。
• 利用来自临床研究、电子健康记录和人口普查报告的整合数据，支持实时临床决策与长期疫情规划。
• 为医院、医疗系统及公共卫生机构提供可部署的决策支持工具。

提出的方法

• 将数百项临床研究的汇总数据整合至综合性数据库，以表征疾病表现与结局。
• 利用机器学习开发个性化风险计算器，基于人口统计学特征、症状、共病及实验室指标预测感染与死亡风险。
• 构建一种新型流行病学模型（DELPHI-pred），用于预测区域疫情传播趋势，并为社交疏离政策提供依据。
• 制定混合整数优化模型，以在供应与转运约束下重新分配各州呼吸机，最小化短缺。
• 将县一级的需求预测整合至医院层面规划，实现内部呼吸机再分配，已在哈特福德医疗系统中应用。
• 通过公共网站部署模型，支持医院、企业及政府机构的实时决策。

实验结果

研究问题

• RQ1 如何利用临床与人口统计数据准确预测个体感染与死亡风险？
• RQ2 在大流行高峰期，跨州呼吸机再分配的最优策略是什么，以彻底消除短缺？
• RQ3 社交疏离政策如何影响疫情峰值的预测及医疗系统容量？
• RQ4 在不损害本地需求的前提下，联邦与跨州资源池化在多大程度上可减少呼吸机短缺？
• RQ5 预测模型如何用于前瞻性地将呼吸机供应与各医疗系统的预测需求相匹配？

主要发现

• 通过协调的跨州转运与战略性联邦供应部署，可完全消除呼吸机短缺，而无需采取如呼吸机分用等极端措施。
• 跨州转运在大流行早期启动时最为有效，大多数转运发生在首次疫情激增阶段。
• 通过区域协调，各州可满足超过90%的呼吸机需求，跨州转运仅作为最后手段。
• 最主要的转运来自低短缺州（如俄亥俄州、宾夕法尼亚州、北卡罗来纳州）至高短缺州（如纽约州、新泽西州）。
• 模型建议任何时刻各州的呼吸机储备池化比例不应超过10%，以保持系统稳健性并彻底消除短缺。
• 该框架已在现实场景中部署，包括哈特福德医疗系统的内部再分配系统及国家级政策规划，并已整合进美国疾控中心的疫情预测系统。