[论文解读] Hospital Capacity Planning Using Discrete Event Simulation Under Special Consideration of the COVID-19 Pandemic

Thomas Bartz–Beielstein, Frederik Rehbach+2 more|arXiv (Cornell University)|Dec 14, 2020

Simulation Techniques and Applications参考文献 5被引用 10

一句话总结

本文提出 babsim.hospital，一个基于 R 语言的开源离散事件仿真工具，用于在 COVID-19 大流行期间进行医院容量规划。该工具整合了仿真、优化（通过 SPOT 实现）以及自定义统计分布——特别是截断并平移后的伽马分布——以模拟患者流动、住院时长及基于年龄和性别特异性风险特征的转移概率，支持对 ICU 床位、呼吸机和人员资源的场景分析与优化。

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.

研究动机与目标

• 应对 COVID-19 大流行期间动态且不确定的条件下医院资源与容量规划的挑战。
• 为危机团队提供一个标准化、可适应的仿真框架，用于评估本地情景与应对措施。
• 使医疗专业人员能够基于风险群体分层，在多个行政层级（从地方到联邦）分析大流行的影响。
• 支持医院管理者和行政人员利用数据驱动的仿真优化床位、呼吸机、病房及人员的规划。
• 开发一个灵活且可扩展的仿真工具，支持合成数据生成以及住院时长与转移概率参数的验证。

提出的方法

• 使用 R 语言包 'simmer' 实现离散事件仿真模型，以模拟患者在医院各阶段（如感染至住院、转入 ICU、康复或死亡）的流动过程。
• 利用序列参数优化（SPOT）校准关键参数，如状态转移概率、住院时长及分布特性。
• 开发一种自定义的截断并平移后的伽马分布，以更真实地模拟住院时长，特别是对重症患者。
• 整合基于年龄和性别的特定风险特征，以在仿真中反映不同感染与严重程度结果的差异。
• 整合来自罗伯特·科赫研究所（RKI）和 DIVI 重症监护注册中心的真实世界数据，用于模型验证与情景配置。
• 在缺乏真实数据的场景中支持合成数据生成，以支持情景测试与参数敏感性分析。

实验结果

研究问题

• RQ1 离散事件仿真在模拟类似 COVID-19 这类大流行期间医院资源利用率方面，如何被有效应用？
• RQ2 基于 SPOT 的优化在多大程度上能提升医院仿真模型中住院时长与转移概率参数的校准效果？
• RQ3 年龄与性别特异性风险特征在不同大流行情景下，如何影响模拟的 ICU 床位需求与资源压力？
• RQ4 像 babsim.hospital 这类仿真工具能否支持在不同本地条件下的医院间标准化、本地化的危机规划？
• RQ5 数据质量与可用性对基于仿真的医院容量规划的可靠性与实用性有何影响？

主要发现

• babsim.hospital 模型成功模拟了患者流动，其住院时长分布具有高度现实性，尤其得益于自定义的截断并平移后的伽马分布。
• 基于 SPOT 的优化显著提升了参数校准效果，最终模型的决定系数 R² 达到 0.3807，F 统计量显著（p 值：1.307e-09），表明具有较强的解释力。
• 回归筛选识别出 'AmntDaysInfectedToHospital' 和 'AmntDaysNormalToHealthy' 等参数对 ICU 床位需求影响最大。
• 该模型对不同区域背景表现出强大的适应性，即使在未针对英国数据开发的情况下，也能成功模拟英国数据。
• 该工具支持稳健的场景分析，包括最坏情况与最佳情况的大流行预测，其输出结果经 DIVI 重症监护注册中心的真实现场数据验证。
• 合成数据生成的整合使得在数据匮乏环境中也能实现可靠仿真，显著增强了该工具在准备与规划中的实用性。