CN112734153A - 一种突发公共卫生事件中应急资源分配方法、系统及应用 - Google Patents
一种突发公共卫生事件中应急资源分配方法、系统及应用 Download PDFInfo
- Publication number
- CN112734153A CN112734153A CN202011252671.9A CN202011252671A CN112734153A CN 112734153 A CN112734153 A CN 112734153A CN 202011252671 A CN202011252671 A CN 202011252671A CN 112734153 A CN112734153 A CN 112734153A
- Authority
- CN
- China
- Prior art keywords
- medical
- model
- determining
- class
- cases
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 99
- 230000005180 public health Effects 0.000 title claims abstract description 53
- 238000013468 resource allocation Methods 0.000 title claims abstract description 48
- 238000002955 isolation Methods 0.000 claims abstract description 70
- 238000003745 diagnosis Methods 0.000 claims abstract description 69
- 230000002265 prevention Effects 0.000 claims abstract description 57
- 208000035473 Communicable disease Diseases 0.000 claims abstract description 55
- 208000015181 infectious disease Diseases 0.000 claims abstract description 50
- 230000036541 health Effects 0.000 claims abstract description 42
- 238000005457 optimization Methods 0.000 claims abstract description 36
- 239000012567 medical material Substances 0.000 claims abstract description 28
- 238000007726 management method Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims description 41
- 201000010099 disease Diseases 0.000 claims description 22
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 13
- 238000011835 investigation Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 206010037660 Pyrexia Diseases 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 239000003814 drug Substances 0.000 claims description 6
- 208000028399 Critical Illness Diseases 0.000 claims description 5
- 229940079593 drug Drugs 0.000 claims description 5
- 206010011409 Cross infection Diseases 0.000 claims description 4
- 206010029803 Nosocomial infection Diseases 0.000 claims description 4
- 230000000903 blocking effect Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000013508 migration Methods 0.000 claims description 4
- 230000005012 migration Effects 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 229960005486 vaccine Drugs 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000034994 death Effects 0.000 claims description 3
- 231100000517 death Toxicity 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 238000013480 data collection Methods 0.000 abstract description 6
- 238000007619 statistical method Methods 0.000 abstract description 6
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000013278 delphi method Methods 0.000 abstract description 4
- 208000025721 COVID-19 Diseases 0.000 description 36
- 238000012546 transfer Methods 0.000 description 11
- 239000000463 material Substances 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 4
- 230000008520 organization Effects 0.000 description 4
- 230000001681 protective effect Effects 0.000 description 4
- 208000024891 symptom Diseases 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000006806 disease prevention Effects 0.000 description 3
- 230000006698 induction Effects 0.000 description 3
- 208000031504 Asymptomatic Infections Diseases 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000036760 body temperature Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 206010035664 Pneumonia Diseases 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 210000000436 anus Anatomy 0.000 description 1
- 230000005784 autoimmunity Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011841 epidemiological investigation Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000001989 nasopharynx Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000003300 oropharynx Anatomy 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000005204 segregation Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 230000001954 sterilising effect Effects 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明属于资源配置技术领域,公开了一种突发公共卫生事件中应急资源分配方法、系统及应用,包括:采用资料收集整理法、问卷调查与访谈调查法、小组讨论法、德尔菲法以及数据统计分析法确定各级医疗卫生机构在检疫、隔离观察、疑似病例诊治、确诊病例治疗耗费的医疗资源量;构建基于不同防控措施及分区域分时段的突发传染病疫情预测模型,确定医疗资源耗费最少的干预措施的优化预测模型;制定基于SEIAPHR优化模型预测值的医疗资源供给与配置模式。本发明将预测基于不同干预措施分区域分时段的医疗资源的需求量,并提出合理的供给模式,实现兼顾“效益”与“公平”的应急医疗物资配置模式。
Description
技术领域
本发明属于资源配置技术领域,尤其涉及一种突发公共卫生事件中应急资源分配方法、系统及应用。
背景技术
在应对SARS及COVID-19时,从中央到地方政府均成立了疫情控制领导小组,根据疫流行病与生物信息室情的爆发 规模进行医务人员、医疗物资及医疗经费的紧急配置。但医疗资源的配置仅仅基于疫情流行的现状进行配置,未考虑干预措 施与地域差异的影响进行短期和长期的精确的动态的调整,将导致部分地区部分时间段应急医疗资源的短缺,而部分地区出 现医疗资源过剩与浪费的现象。
通过上述分析,现有技术存在的问题及缺陷为:
(1)卫生资源配置资源总量不足、服务质量不高、城乡之间和不同地区间的卫生资源配置不均衡,配置效率低下;
(2)医疗资源的配置仅仅基于疫情流行的现状进行配置,未考虑干预措施与地域差异的影响进行短期和长期的精确 的动态的调整,导致部分地区部分时间段应急医疗资源的短缺,而部分地区出现医疗资源过剩与浪费的现象;
(3)无法准确的确定需要耗费的医疗资源,更不能分区域分时段精准的供给与配置医疗资源。
解决以上问题及缺陷的难度为:解决该问题需要设计基于动态变化的医疗资源耗费的数学模型,数学模型的构建将 采用前期传染病发病的流行病学数据计算相关参数。该模型的构建需要专业的数理统计专家与流行病学专家的合作才能完成 将数学预测模型与卫生资源耗费较好的结合。并通过反演验证预测模型的有效性,制定一套有效的传染病医疗资源耗费的预 测方案。
解决以上问题及缺陷的意义为:该方案的制定将为政府提供快速的进行医疗资源的供给与合理配置方案,将减少公众的 健康损害及最大程度的减少社会的经济损失。
发明内容
针对现有技术存在的问题,本发明提供了一种突发公共卫生事件中应急资源分配方法、系统及应用。
本发明是这样实现的,一种突发公共卫生事件中应急资源分配方法,所述突发公共卫生事件中应急资源分配方法包括:
步骤一,采用资料收集整理法、问卷调查与访谈调查法、小组讨论法、德尔菲法以及数据统计分析法确定各级医疗卫生 机构在检疫、隔离观察、疑似病例诊治、确诊病例治疗耗费的医疗资源;
步骤二,构建基于不同防控措施及分区域分时段的突发传染病疫情预测模型,确定医疗资源耗费最少的干预措施的优化 预测模型;
步骤三,制定基于SEIAPHR优化模型预测值的医疗资源供给与配置模式。
进一步,步骤一中,所述耗费的医疗资源包括:人力资源、医疗物资与防控费用;
(1)所述人力资源耗费计算方法包括:
首先,采用作业成本法计算各项医疗服务流程所需时间,计算诊疗流程细项工作人力时间成本Ci;
其次,根据确定完成诊疗流程所计算的人均服务时间,计算服务单位数量各类人群所需的医务人员数量;同时确定每名 医务人员每年的有效工作时间;
最后,计算完成每一类诊疗流程需要投入的人均人力时间货币成本;
(2)所述医疗物资耗费计算方法包括:从接受各类医疗服务流程需投入的医疗设施设备及耗材进行医疗物资耗费测算; 通过调查实施相关医疗服务的医务人员及财务管理部门收集医疗物资的投入;
(3)所述防控费用耗费计算方法包括:分别回顾性收集集中医学隔离、疑似病例、确诊普通型(含轻症50例)、重症 病例各100例,及危重症病例50例的病例资料,收集调查对象在整个诊疗流程中的医疗成本数据;计算各类病例的平均医 疗资源耗费;
所述医疗成本包括直接医疗成本与间接医疗成本;
所述直接医疗成本包括门诊费用和住院费用;所述住院费用含诊断检测费、健康检测费、药物治疗费用、治疗相关并发 症的费用与住院费用;
所述间接医疗成本包括隔离期间食宿费与误工费、因阻断院内感染占用的医疗资源。
进一步,步骤二中,所述构建基于不同防控措施及分区域分时段的突发传染病疫情预测模型,确定医疗资源耗费最少的 干预措施的优化预测模型包括:
1)收集相关流行病学数据并整理异常值;
2)确定纳入模型的因素:纳入传统的SEIR模型因素:时滞因素、传染力、潜伏期、疾病转归期,及影响医疗资源耗 费的因素:疾病流行的不同阶段、地域因素、人口变动、防控政策措施的改变、密切接触者的追踪、隔离、疑似病例、疾病 危重程度;
3)确定模型预测的主要指标:集中隔离人数、疑似病例数与确诊隔离住院治疗病例;
4)构建SEIAPHR模型;构建SEIAPHR优化模型;
5)以流行过程对SEIAPHR模型进行参数反演和趋势预测,将最小二乘法以及马尔科夫蒙特卡洛算法相结合进行 SEIAPHR模型的参数反演,参数分布选为正态分布,并利用Metropolis-Hastings算法;微分方程的求解使用隐式Runge-Kutta 刚性微分方程求解算法;
6)在SEIAPHR传染病仓室模型的基础上,引入不同地域之间即疫源地、接壤区域与非接壤区域的病例和人员迁徙、 人口变动、防控政策措施的改变、防控措施实施时间的滞后因素以及疫苗的使用相关因素,改进SEIAPHR仓室模型。
进一步,所述SEIAPHR模型构建方法包括:
第一步,将所考虑地区的总人数分为11类,易感者类S,自由环境中的潜伏者类E,患病者类I,无症状染病者类A,追 踪到进行医学观察包括集中隔离医学观察S1q与居家医学观察S2q的易感者类Sq与无症状潜伏者类Eq,疑似病例为P,确诊并住 院隔离治疗者类为H,恢复者类为R,死亡者类为D;同时用包括S(t),S1q(t),S2q(t),E(t),I(t),A(t),Sq(t),包括S1q(t)与S2q(t)),Eq(t),P(t),H(t),R(t)及D(t)分别表示t时刻这几类人群的个体数,并记:
N(t)=S(t)+E(t)+I(t)+A(t)+H(t)+R(t)
同时将确诊接受医学治疗病例数H分为三类:普通与轻型确诊病人类I1,重症确诊病人类I2,及危重确诊病人类I3,并分别 用Ii(t)(i=1,2,3)记这三类人群在t时刻的人数,第t天,进而H(t)=I1(t)+I2(t)+I3(t);
第二步,确定易感者类、隔离者类以及潜伏者类输入、输出关系;由于密切跟踪隔离措施的实施,与感染者密切接触的 人群分为隔离的易感者类Sq,和潜伏者类Eq。通过感染者密切接触追踪,假设q1+q2(=q)比例的接触者类被隔离,其中q2比例的被隔离个体若被感染,则该个体隔离在Eq仓室,否则隔离在Sq仓室;q1比例的被隔离个体若被感染,则该个体将由 发热门诊隔离至P仓室,否则隔离在Sq仓室;Sq仓室包括居家医学观察者S1q与集中隔离医学观察者S2q,Sq仓室中r比例 的密切接触者集中医学隔离在S1q仓室,1-r比例的密切接触者居家隔离在S2q仓室;若1-q比例的接触者在追踪中被遗漏, 一旦被有效感染,则移动至E仓室,否则仍然留在S仓室中;假设每次接触时传播概率为β,接触数为c,假设被隔离个体中,若被感染,则分别以βcq1及βcq2的速率移动至仓室P及仓室Eq;否则将以(1-β)cq及βc(1-q)速率移至仓室Sq及仓室E;
第三步,对于易感者类S,根据确定1的输入、输出关系,得到其动力学模型为:
S′=-[βc+(1-β)cq]S(I+θE)/N-m1H+λSq+m2P+δR;
第四步,确定自由环境中的潜伏者类E的传播动力学方程为:
E′=βc(1-q)S(I+θE)/N-(ε1+ε2+ε3)E
第五步,确定自由环境中的染病者类I的动力学方程为:
I′=ε1E-(γ2+η)I-α2I
第六步,确定自由环境中无症状染病者A的动力学方程为:
A′=ε3E-γ3A;
第七步,确定住院隔离治疗者类H的动力学方程分别为:
H′=k2P+ηI-γ1H-αH
及Ii(i=1,2,3)对应的动力学方程为:
I1′=h1(k2P+ηI)-γ1I1+μ1I2
I2′=h2(k2P+ηI)-γ1I2-μ1I2+μ3I3
I3′=h3(k2P+ηI)-γ1I3-αH+μ2I2-μ3I3
第八步,确定疑似病例P的动力学方程为:
P′=βcq1S(I+θE)/N+m1H+k1Eq+ε3E-(k2+m2)P
第九步,确定追踪隔离易感者Sq、潜伏者隔离者Eq及治愈者R的动力学方程;
追踪到的隔离易感者:
S′q=(1-β)cqS(I+θE)/N-λSq
追踪到的集中隔离易感者:
S′1q=rc(1-β)qS(I+θE)/N-λS1q
追踪到的居家隔离易感者:
S′2q=(1-r)c(1-β)qS(I+θE)/N-λS2q
追踪到的隔离潜伏者:
E′q=βcq2S(I+θE)/N-k1Eq
恢复者的动力学方程为:R′=γ1H+γ2I+γ3A-δR;
传染病SEIAPHR传播动力学模型为:
进一步,所述优化模型构建方法包括:
其中目标函数为:
约束方程为:
进一步,步骤三中,所述制定基于SEIAPHR优化模型预测值的医疗资源供给与配置模式包括:
首先,将得到的预测模型预测的需隔离人数、疑似病例数与确诊治疗的人数,结合测算的每例各类人群需投入的医疗技 术人员、医疗物资与医疗费用,建立医疗资源配置优化模型,得到不同地区与不同时段医疗资源的配置数量;
其次,将模型测算出的医疗资源耗费的数量与调查地区实际投入的医疗资源进行比较,评估医疗资源测算方法的科学性 与准确性,并对模型进行修改,最终确定干预力度的权重系数,制定有实用价值的应对突发公共卫生事件医疗资源配置的优 化方案;
最后,将测算出的医疗资源需求量分为应急医疗资源储备部分与需紧急调配医疗资源部分,进行应急医疗资源配置。
本发明的另一目的在于提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所 述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
确定各级医疗卫生机构在检疫、隔离观察、疑似病例诊治、确诊病例治疗耗费的医疗资源;
构建基于不同防控措施及分区域分时段的突发传染病疫情预测模型,确定医疗资源耗费最少的干预措施的优化预测模 型;
制定基于SEIAPHR优化模型预测值的医疗资源供给与配置模式。
本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述 处理器执行如下步骤:
确定各级医疗卫生机构在检疫、隔离观察、疑似病例诊治、确诊病例治疗耗费的医疗资源;
构建基于不同防控措施及分区域分时段的突发传染病疫情预测模型,确定医疗资源耗费最少的干预措施的优化预测模 型;
制定基于SEIAPHR优化模型预测值的医疗资源供给与配置模式。
本发明的另一目的在于提供一种运行所述突发公共卫生事件中应急资源分配方法的突发公共卫生事件中应急资源分配 系统,所述突发公共卫生事件中应急资源分配系统包括:
医疗资源处理模块,用于确定各级医疗卫生机构在检疫、隔离观察、疑似病例诊治、确诊病例治疗耗费的医疗资源;
优化预测模型构建模块,用于构建基于不同防控措施及分区域分时段的突发传染病疫情预测模型,确定医疗资源耗费最 少的干预措施的优化预测模型;
医疗资源供给与配置模式指定模块,用于制定基于SEIAPHR优化模型预测值的医疗资源供给与配置模式。
本发明的另一目的在于提供一种终端,所述终端搭载所述的突发公共卫生事件中应急资源分配系统。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明能够确定突发传染病控制过程中检疫、集中隔 离、疑似病例诊断、确诊病例治疗需耗费的医疗资源。确定各级医疗卫生机构需投入的医疗卫生技术人员、防控设备及防护 用品、其他医疗物资、病人治疗的医疗费用及其他相关投入。
本发明构建基于不同防控措施及分地区分时段的突发传染病疫情传播预警预测模型。该模型将预测传染病爆发的不同区 域不同阶段需隔离人数、疑似病例数、确诊病例数。并建立优化预测模型,预测耗费医疗资源最少的干预措施及实施时间点, 为政府因地制宜地进行应急医疗资源的供给与配置提供决策依据。
本发明为应对重大突发公共卫生事件提供较为完善的医疗资源供给与配置的模式。本发明构建的预测模型将预测基于不 同干预措施分区域分时段的医疗资源的需求量,并提出合理的供给模式,实现兼顾“效益”与“公平”的应急医疗物资配置模式。
本发明将以COVID-19为例构建突发传染病预测模型,预测突发传染病暴发不同区域不同时段需要调配的医疗卫生技术 人员、防护物资、医疗物资及医疗费用。本发明探索测算突发传染病中处于不同状态人群需要耗费的医疗资源,及医疗资源 在各级医疗机构分配的数量,为今后应对突发传染病快速的进行精准的医疗资源配置提供参考工具。
本发明调查COVID-19检疫、隔离医学观察、疑似病例与确诊病例诊疗所耗费的医疗资源(人力、物资、经费),明确 平均每个接受医疗服务的个体需耗费的医疗资源及人群检疫需耗费的公共卫生资源。其次,利用本次COVID-19流行病学数 据构建基于不同防控措施、不同流行区域及不同时段的需接受各种医疗服务人群数量的预测模型,并进一步建立基于防控措 施、区域及不同时段的优化传染病动力模型,实现医疗资源耗费的最小化。最后,整合模型预测的传染病流行趋势,分析医 疗资源供给与配置的数量及最佳模式,形成一套应对重大公共卫生事件医疗资源供给与配置模式的科学与高效的方案。本发 明将为政府在今后疫情防控中提供科学的决策依据。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图做简单的介绍,显而易见地, 下面所描述的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下还可以根据这 些附图获得其他的附图。
图1是本发明实施例提供的突发公共卫生事件中应急资源分配方法流程图。
图2是本发明实施例提供的公共卫生医疗资源调查技术路线图。
图3是本发明实施例提供的医疗成本构成图。
图4是本发明实施例提供的人力时间成本测算图。
图5是本发明实施例提供的易感者类、隔离者类与潜伏者类转移框图。
图6是本发明实施例提供的潜伏者类传播流程图。
图7是本发明实施例提供的自由环境中染病者类转移框图。
图8是本发明实施例提供的确诊住院者类转移框图。
图9是本发明实施例提供的疑似病例转移流程图。
图10是本发明实施例提供的追踪隔离者类转移流程图。
图11是本发明实施例提供的恢复者类转移流程图。
图12是本发明实施例提供的SEIAPHR预测模型构建流程图。
图13是本发明实施例提供的SEIAPHR优化预测模型构建约束方程流程图。
图14是本发明实施例提供的SEIAPHR模型构建技术路线图。
图15是本发明实施例提供的SEIAPHR模型根据COVID-19疑似病例数预测不同时间段可能发生的疑似病例数示意图。
图16是本发明实施例提供的SEIAPHR模型根据COVID-19住院隔离确诊病例数预测不同时间段可能发生的住院确诊 病例数示意图。
图17是本发明实施例提供的SEIAPHR模型根据COVID-19住院治愈病例数预测不同时间段可能发生的住院治愈病例 数示意图。
图18是本发明实施例提供的SEIAPHR模型根据COVID-19医学观察病例数预测不同时间段可能发生的住院观察病例 数示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此 处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种突发公共卫生事件中应急资源分配方法、系统及应用,下面结合附图对本 发明作详细的描述。
如图1所示,本发明实施例提供的突发公共卫生事件中应急资源分配方法包括:
S101,采用资料收集整理法、问卷调查与访谈调查法、小组讨论法、德尔菲法以及数据统计分析法确定各级医疗卫生 机构在检疫、隔离观察、疑似病例诊治、确诊病例治疗耗费的医疗资源;
S102,构建基于不同防控措施及分区域分时段的突发传染病疫情预测模型,确定医疗资源耗费最少的干预措施的优化 预测模型;
S103,制定基于SEIAPHR优化模型预测值的医疗资源供给与配置模式。
如图2至图4所示,步骤S101中,本发明实施例提供的耗费的医疗资源包括:人力资源、医疗物资与防控费用;
(1)所述人力资源耗费计算方法包括:
首先,采用作业成本法计算各项医疗服务流程所需时间,计算诊疗流程细项工作人力时间成本Ci;
其次,根据确定完成诊疗流程所计算的人均服务时间,计算服务单位数量各类人群所需的医务人员数量;同时确定每名 医务人员每年的有效工作时间;
最后,计算完成每一类诊疗流程需要投入的人均人力时间货币成本;
(2)所述医疗物资耗费计算方法包括:从接受各类医疗服务流程需投入的医疗设施设备及耗材进行医疗物资耗费测算; 通过调查实施相关医疗服务的医务人员及财务管理部门收集医疗物资的投入;
(3)所述防控费用耗费计算方法包括:分别回顾性收集集中医学隔离、疑似病例、确诊普通型(含轻症50例)、重症 病例各100例,及危重症病例50例的病例资料,收集调查对象在整个诊疗流程中的医疗成本数据;计算各类病例的平均医 疗资源耗费;
所述医疗成本包括直接医疗成本与间接医疗成本;
所述直接医疗成本包括门诊费用和住院费用;所述住院费用含诊断检测费、健康检测费、药物治疗费用、治疗相关并发 症的费用与住院费用;
所述间接医疗成本包括隔离期间食宿费与误工费、因阻断院内感染占用的医疗资源。
步骤S102中,本发明实施例提供的构建基于不同防控措施及分区域分时段的突发传染病疫情预测模型,确定医疗资源 耗费最少的干预措施的优化预测模型包括:
1)收集相关流行病学数据并整理异常值;
2)确定纳入模型的因素:纳入传统的SEIR模型因素:时滞因素、传染力、潜伏期、疾病转归期,及影响医疗资源耗 费的因素:疾病流行的不同阶段、地域因素、人口变动、防控政策措施的改变、密切接触者的追踪、隔离、疑似病例、疾病 危重程度;
3)确定模型预测的主要指标:集中隔离人数、疑似病例数与确诊隔离住院治疗病例;
4)构建SEIAPHR模型;构建SEIAPHR优化模型;
5)以流行过程对SEIAPHR模型进行参数反演和趋势预测,将最小二乘法以及马尔科夫蒙特卡洛算法相结合进行 SEIAPHR模型的参数反演,参数分布选为正态分布,并利用Metropolis-Hastings算法;微分方程的求解使用隐式Runge-Kutta 刚性微分方程求解算法;
6)在SEIAPHR传染病仓室模型的基础上,引入不同地域之间即疫源地、接壤区域与非接壤区域的病例和人员迁徙、 人口变动、防控政策措施的改变、防控措施实施时间的滞后因素以及疫苗的使用相关因素,改进SEIAPHR仓室模型。
步骤4)中,本发明实施例提供的SEIAPHR模型构建方法包括:
第一步,将所考虑地区的总人数分为11类,易感者类S,自由环境中的潜伏者类E,患病者类I,无症状染病者类A,追 踪到进行医学观察包括集中隔离医学观察S1q与居家医学观察S2q的易感者类Sq与无症状潜伏者类Eq,疑似病例为P,确诊并住 院隔离治疗者类为H,恢复者类为R,死亡者类为D;同时用包括S(t),S1q(t),S2q(t),E(t),I(t),A(t),Sq(t),包括S1q(t)与S2q(t)),Eq(t),P(t),H(t),R(t)及D(t)分别表示t时刻这几类人群的个体数,并记:
N(t)=S(t)+E(t)+I(t)+A(t)+H(t)+R(t)
同时将确诊接受医学治疗病例数H分为三类:普通与轻型确诊病人类I1,重症确诊病人类I2,及危重确诊病人类I3,并分别 用Ii(t)(i=1,2,3)记这三类人群在t时刻的人数,第t天,进而H(t)=I1(t)+I2(t)+I3(t);
第二步,确定易感者类、隔离者类以及潜伏者类输入、输出关系;由于密切跟踪隔离措施的实施,与感染者密切接触的 人群分为隔离的易感者类Sq,和潜伏者类Eq。通过感染者密切接触追踪,假设q1+q2(=q)比例的接触者类被隔离,其中q2比例的被隔离个体若被感染,则该个体隔离在Eq仓室,否则隔离在Sq仓室;q1比例的被隔离个体若被感染,则该个体将由 发热门诊隔离至P仓室,否则隔离在Sq仓室;Sq仓室包括居家医学观察者S1q与集中隔离医学观察者S2q,Sq仓室中r比例 的密切接触者集中医学隔离在S1q仓室,1-r比例的密切接触者居家隔离在S2q仓室;若1-q比例的接触者在追踪中被遗漏, 一旦被有效感染,则移动至E仓室,否则仍然留在S仓室中;假设每次接触时传播概率为β,接触数为c,假设被隔离个体中,若被感染,则分别以βcq1及βcq2的速率移动至仓室P及仓室Eq;否则将以(1-β)cq及βc(1-q)速率移至仓室Sq及仓室E;
第三步,对于易感者类S,根据确定1的输入、输出关系,得到其动力学模型为:
S′=-[βc+(1-β)cq]S(I+θE)/N-m1H+λSq+m2P+δR;
第四步,确定自由环境中的潜伏者类E的传播动力学方程为:
E′=βc(1-q)S(I+θE)/N-(ε1+ε2+ε3)E
第五步,确定自由环境中的染病者类I的动力学方程为:
I′=ε1E-(γ2+η)I-α2I
第六步,确定自由环境中无症状染病者A的动力学方程为:
A′=ε3E-γ3A;
第七步,确定住院隔离治疗者类H的动力学方程分别为:
H′=k2P+ηI-γ1H-αH
及Ii(i=1,2,3)对应的动力学方程为:
I1′=h1(k2P+ηI)-γ1I1+μ1I2
I2′=h2(k2P+ηI)-γ1I2-μ1I2+μ3I3
I3′=h3(k2P+ηI)-γ1I3-αH+μ2I2-μ3I3
第八步,确定疑似病例P的动力学方程为:
P′=βcq1S(I+θE)/N+m1H+k1Eq+ε3E-(k2+m2)P
第九步,确定追踪隔离易感者Sq、潜伏者隔离者Eq及治愈者R的动力学方程;
追踪到的隔离易感者:
S′q=(1-β)cqS(I+θE)/N-λSq
追踪到的集中隔离易感者:
S′1q=rc(1-β)qS(I+θE)/N-λS1q
追踪到的居家隔离易感者:
S′2q=(1-r)c(1-β)qS(I+θE)/N-λS2q
追踪到的隔离潜伏者:
E′q=βcq2S(I+θE)/N-k1Eq
恢复者的动力学方程为:R′=γ1H+γ2I+γ3A-δR;
传染病SEIAPHR传播动力学模型为:
步骤4)中,所述优化模型构建方法包括:
其中目标函数为:
约束方程为:
步骤S103中,本发明实施例提供的制定基于SEIAPHR优化模型预测值的医疗资源供给与配置模式包括:
首先,将得到的预测模型预测的需隔离人数、疑似病例数与确诊治疗的人数,结合测算的每例各类人群需投入的医疗技 术人员、医疗物资与医疗费用,建立医疗资源配置优化模型,得到不同地区与不同时段医疗资源的配置数量;
其次,将模型测算出的医疗资源耗费的数量与调查地区实际投入的医疗资源进行比较,评估医疗资源测算方法的科学性 与准确性,并对模型进行修改,最终确定干预力度的权重系数,制定有实用价值的应对突发公共卫生事件医疗资源配置的优 化方案;
最后,将测算出的医疗资源需求量分为应急医疗资源储备部分与需紧急调配医疗资源部分,进行应急医疗资源配置。
下面结合具体实施例对本发明的技术方案作进一步描述。
实施例1:
1、明确检疫、医学隔离观察、确诊普通型(含轻症)病例、重症病例与危重症病例治疗需要耗费的医疗资源。在未明 确检疫、隔离观察及治疗患者需要耗费的医疗资源时,政府在面对突发传染病进行医疗资源配置时无法仅仅根据发病人数进 行医疗资源的合理供给与配置。本发明将探索测算突发传染病中处于不同状态人群需要耗费的医疗资源,及医疗资源在各级 医疗机构分配的数量,为今后应对突发传染病快速的进行精准的医疗资源配置提供参考工具。
研究的模型可应用于传染病爆发后针对不同干预措施分区域分时段最优防控措施的选择,以及爆发后不同时段医疗资源 的合理配置。通过COVID-19流行数据反演基于不同防控措施的COVID-19疫情传播医疗资源耗费的预警预测模型,找出的最 佳参数将应用于今后传染病的防控预测。
动态预测突发传染病暴发的不同区域不同时段所需的医疗资源。新发传染病暴发初期,传播速度快,有效的诊疗方案尚 未形成,政府与医疗机构措手不及,加之部分地区的医疗机构储备的公共卫生资源不足,无法准确的确定需要耗费的医疗资 源,更不能分区域分时段精准的供给与配置医疗资源。本发明将以COVID-19为例构建突发传染病预测模型,预测突发传染 病暴发不同区域不同时段需要调配的医疗卫生技术人员、防护物资、医疗物资及医疗费用。
2、方法
①资料收集整理法。收集卫生统计年鉴中公共医疗配置的有关数据,整理分析全国医疗机构医疗资源配置现状。收集国 家及各级地方政府制定的防治突发重大公共卫生事件制定的应急预案及政策措施。
②问卷调查与访谈调查法。编制针对不同等级不同类别医疗机构的问卷表,收集重庆市应对COVID-19参与防控的医务 人员数、防护用品、医疗物资、病房及其他建筑设施、隔离与治疗费用等信息,统计各医疗机构检疫、隔离、治疗的COVID-19 的病例数。并从医院收集病人个人层面的医疗费用。收集医疗机构COVID-19疫情爆发前的公共卫生资源配置情况,本次应 对COVID-19应急投入的医疗资源,今后准备投入的公共卫生医疗资源。
③小组讨论法。采用作业式流程制定集中医学隔离、疑似病例诊治、轻型病例诊治、重症病例与危重病例诊治及临床分 型间的转归的流程图,流程图中包含每一步工作详细的医疗资源耗费(人力、物资、设施设备、经费等)。组织市级医疗机 构、区县级医疗机构及乡镇医疗卫生机构负责人及参与疫情防控的一线工作人员(医生、护士、CDC流调与检疫人员、社 区医生等),以召开小组讨论会的方式,评估防控过程中医疗资源的耗费并进行修改。
④德尔菲法。本项目选择有丰富实践经验和理论造诣的传染病防治领域专家及参与防控的工作人员,对经过小组讨论后 初步构建的诊疗与疾病转归流程及医疗资源耗费的测量标准进行2轮论证。
⑤数据统计分析法。首先,根据各个单位应对COVID-19总体投入的医疗资源及完成的防控工作量,分析突发传染病防 控主要耗费的医疗资源的种类,主要缺乏的应急医疗资源数量。其次,根据处于不同流行阶段人群医疗资源耗费的标准化流 程收集的数据,计算集中医学隔离观察1人次,治疗1例疑似病例,治疗1例确诊病例(普通型(含轻症)、重型与危重型) 需应急投入的医疗资源及货币化医疗成本。
2.1路线
试验方案与关键技术
①查阅文献与收集公共卫生资源配置的数据
首先,采用文献查阅与文献归纳法通过收集与整理文献资料,对文献进行归纳分析,总结医疗机构在应对突发公共卫生 事件中资源供给与配置存在的主要问题。其次,通过收集《中国卫生健康统计年鉴》中公布的公共卫生资源配置的数据,分 析公共卫生资源配置的现状。
②设计调查问卷表
首先总结文献归纳分析中应对突发公共卫生事件涉及的医疗卫生资源问题及主要内容,设计问卷内容提纲。其次,通过 组织传染病防控专家5-10名(包含临床医疗、公共卫生与卫生管理的专家),通过组织专家会议的形式,展开专题小组讨 论,对问卷内容进行补充与修订。最后,在调查正式实施前,选择1个区级医院及1个区级CDC进行预调查,总结分析问 卷的可操作问题,并再次开展专题小组讨论,并对问卷表进行修订后运用于正式调查。
③确定调查机构与调查人员
本发明主要调查机构包括重庆市卫生健康委员会应急办、市区CDC、公共卫生中心(重庆主城确诊病例收治点)、发 热门诊与疑似病例收治医院、其他传染病定点诊疗医院、社区卫生服务中心与乡镇医院、村卫生室。调查相关单位的负责人 (或分管领导),财务部门与设备处负责人及负责防控物资采购的相关部门,参与疫情防控的技术部门的负责人与技术骨干。
④横断面调查
抽样方法。市级医疗机构抽取三甲综合医院、儿童医院、妇幼保健医疗、重庆市公共卫生中心各1所。市级以下医疗机 构采用多阶段分层抽样的方法。第一阶段,按照城乡地区,随机选择1个主城区与1个郊县。第二阶段,从主城区和郊县分 别抽取区县CDC、1个确诊病例定点医疗机构、1个疑似病例与发热门诊收治医院、4个社区卫生服务中心、4个乡镇卫生 院与4个村卫生室。
表1,区县医疗卫生机构抽样数量
机构调查。采用规范的问卷调查表,由经过统一培训的调查员,在正式访谈调查前将问卷电子版本发送给各个机构,由 各个医疗机构提前整理相关材料。调查采用面对面或电话访谈的方式进行。调查内容包括:各机构在COVID-19爆发之前公 共卫生医疗物资的储备情况、公共卫生技术人员结构、公共卫生经费预算数,COVID-19爆发后各医疗机构参与COVID-19 防治的工作内容、完成COVID-19的工作量、COVID-19耗费的应急物资、卫生技术人员与投入的检疫与医疗费用。
⑤关键知情人访谈调查
采用经过专家组讨论制定的访谈提纲,围绕应对突发公共卫生事件中医疗资源的耗费展开访谈。主要访谈对象为市区卫 生健康委员会应急办主任、CDC主任或分管领导、市区级医院分管传染病防治的副院长,乡镇医院或社区卫生服务中心的 负责人,深入了解获取相关单位应对COVID-19疫情医疗资源配置的现状和尚存在的主要问题,以及如何改善的建议。访谈 结束后,对访谈内容进行分析整理和归纳总结。
⑥制定包含医疗资源耗费的诊疗流程图
本发明主要将医疗资源的耗费按照防控人群进行分类,分为检疫(测体温、消毒、入户排查等)、集中医学隔离、疑似 病例诊治、确诊病例诊治(普通型(含轻症)、重症、危重症),并将流行病学调查工作纳入各重点人群工作中。因考虑检 疫范围的广泛性,将检疫项目记为全人群项目进行成本测算。本发明将参照COVID-19临床防治指南测算医疗资源的耗费主 要集中于医疗卫生机构。诊疗流程图的制定过程包括3个步骤。草拟流程图:根据诊疗指南、CDC与定点医疗机构的专家意 见梳理接受不同防疫人群的诊疗流程图。确定医疗资源耗费名目:分别从社会层面与个人层面调查流程图中各节点的医疗资 源耗费量。完善流程图:组织CDC与定点医疗机构参与COVID-19疫情的主要负责人及技术专家5-10人,以开会讨论的形式 对流程图设计的合理性、可操作性和完整性进行讨论,并根据专家意见对流程图进行修订,形成最终可使用的流程图。
⑦调查诊疗流程的医疗资源耗费
本发明主要调查应对突发重大公共卫生事件急需调用的医疗资源,主要包括人力资源、医疗物资与防控费用(见图3)。
首先,调查各类诊疗流程所需时间。采用作业成本法计算各项医疗服务流程所需时间。由通过培训并熟悉诊疗流程的参 与相关工作的医务人员负责完成各类人群的防控流程的工作内容(可以是非COVID-19患者),同时由另一位通过培训合格 的调查员记录完成标准流程中每一步工作所需要的时间(Ti),测量时间精确至秒,并记录完成每一步诊疗服务所需医务人员 人数(Pi),结合有效工作时间系数(fi),计算诊疗流程细项工作人力时间成本Ci。极少部分治疗项目在其他病人中不能实施的 采用专家访谈的方法,调查长期从事该项诊疗的医务人员。在完成整个诊疗流程后求整个诊疗流程所耗费的时间和,设定诊疗流程步骤有n步,计算再根据接受不同诊疗人群种类进行分组,求出每类人群完成诊疗流程的平均耗时。对于全人 群检疫项目(测量体温、消毒等)计算20次事件每次耗费的人力时间,再求其均值,用均值乘以每天发生次数得到每天总耗 时,再计算全人群检疫项目每天需要投入的医疗资源。
其次,确定所需医务人员数量。根据确定完成诊疗流程所计算的人均服务时间,计算服务单位数量各类人群所需的医务 人员数量。同时确定每名医务人员每年的有效工作时间,每天工作平均时间确定为7h(420m),但应除去“调整”及“中途停 顿”时间,本发明确定医务人员正常工作日的有效工作时间系数为0.86,即有效工作6h,每年公休假及培训有 效工作天数为例如:集中隔离,先计算隔离1人完成鼻咽拭子,口咽拭子,血检测,肛拭子,健康 监测所需时间之和,然后按每日工作6h,估计整个14天隔离期需要多少医务人员数N。其他各项诊疗流程以此类推。检疫服 务项目根据提供单项服务所需劳务时间及每天提供次数计算每天检疫需要投入的医疗技术人员。
最后,计算完成每一类诊疗流程需要投入的人均人力时间货币成本。以重庆市为例,根据重庆市2019年从事基本公共 卫生服务医务人员的总工资及人员数量,计算人均工资及“五险一金”年人均缴费金额,通过年人均工资与法定公休天数求出日平均工资通过日平均工资与某项诊疗标准流程所需的劳务时间求出某项诊疗流程的人均人力时间货币成本
⑨医疗物资测算
医疗物资主要从接受各类医疗服务流程需投入的医疗设施设备及耗材进行测算。通过调查实施相关医疗服务的医务人员 及财务管理部门收集医疗物资的投入。如集中隔离观察,首先确定需耗费的医疗器材,如体温检测仪、鼻咽试纸、肛试纸、 采血管、PCR检测仪与血生化检测仪,再测算每个观察者各种材料与试剂的耗费数量,测量每份样本仪器的检测时间,固 定仪器设备计算折旧率,最终测算隔离1个患者总的医疗物资耗费。以此类推,计算疑似病例诊疗、住院病例治疗耗费的医 疗物资。
⑩防控医疗费用测算
分别回顾性收集集中医学隔离、疑似病例、确诊普通型(含轻症50例)、重症病例各100例,及危重症病例50例的病例 资料,收集调查对象在整个诊疗流程中的医疗成本及因COVID-19其并发症而住院的情况,其中直接医疗成本包括门诊费用 和住院费用(含诊断检测费、健康检测费、药物治疗费用、治疗COVID-19相关并发症的费用与住院费用),间接医疗成本包 括隔离期间食宿费与误工费、因阻断院内感染占用的医疗资源等。计算各类病例的平均医疗资源耗费。
2.2构建基于不同防控措施及分区域分时段的突发传染病疫情预测模型,确定医疗资源耗费最少的干预措施的优化预测 模型
2.2.1研究方法与实施方案
以COVID-19为研究对象应用修订后的传染病动力学模型(SEIR)为基础构建考虑区域因素、时间及干预措施等因素的 突发传染病预警预测模型。预测需集中隔离人数、疑似病例人数与确诊病例住院人数,为医疗资源的配置提供决策依据。
①归纳分析法。总结各级政府发布的COVID-19防治的政策文件、制度和现有的卫生资源统计数据,并结合研究内容一 调查收集的数据,归纳防控COVID-19采取的有效干预政策措施。
②趋势分析法。收集国家卫生健康委员会、国家CDC、31个省市卫生健康委员会官方网站公布的COVID-19流行病学数 据。分区域(疫源地、疫源地接壤地区、疫源地非接壤地区)做COVID-19的流行趋势图,并结合实施的主要防控政策,确 定各种干预政策产生防控效果的时间间隔,纳入模型考虑的参数。
③传染病动力学模型分析法。采用基于预测集中隔离、疑似病例与确诊病例治疗的传染病动力学模型(SEIAPHR)对 COVID-19流行趋势进行预测。模型将主要应用于预测医疗资源的供给与配置。因此,模型不仅包括传统的易感人群、潜伏 期病例、发病人数及治愈或死亡病例,主要预测指标纳入了密切接触隔离人群(集中医学隔离)、疑似病例与确诊病例(普 通型(含轻症)、重型与危重型),并考虑不同区域、不同时段与不同干预措施对COVID-19流行趋势的影响,为医疗资源 的供给与耗费提供较为精准的预测值。
其一,数据收集与整理:收集全国COVID-19的流行病学数据并整理异常值。访谈调查市区CDC及疑似病例与确诊病 例收治医疗机构负责人,收集有效的防控措施及影响疫情流行的相关因素。目前相关数据收集已完成。
其二,纳入模型的因素:纳入传统的SEIR模型因素:时滞因素、传染力、潜伏期、疾病转归期(死亡、治愈(免疫、失 去免疫)),及影响医疗资源耗费的因素:疾病流行的不同阶段、地域因素(疫源地、接壤区域与非接壤区域)、人口变动、 防控政策措施的改变、密切接触者的追踪、隔离、疑似病例、疾病危重程度(普通型(含轻症)、重型、危重型)。
其三,确定模型预测的主要指标:集中隔离人数、疑似病例数与确诊隔离住院治疗病例(普通型(含轻症)、重症、危 重病例)。可通过调节模型中影响因素的取值,选择最佳干预措施。
其四,SEIAPHR模型构建的步骤:
第1步,将所考虑地区的总人数分为11类,易感者类S,自由环境中的潜伏者类E,患病者类I,无症状染病者类A, 追踪到进行医学观察的易感者类Sq(包括集中隔离医学观察S1q与居家医学观察S2q)与无症状潜伏者类Eq,疑似病例为P, 确诊并住院隔离治疗者类为H,恢复者类为R,死亡者类为D。同时用
S(t),S1q(t),S2q(t),E(t),I(t),A(t),Sq(t)(包括S1q(t)与S2q(t)),Eq(t),P(t),H(t),R(t)及D(t))分别表 示t时刻这几类人群的个体数,并记:
N(t)=S(t)+E(t)+I(t)+A(t)+H(t)+R(t)
此外,基于卫健委的统计数据,本发明还将确诊接受医学治疗病例数H分为三类:普通与轻型确诊病人类I1,重症确诊 病人类I2,及危重确诊病人类I3,并分别用Ii(t)(i=1,2,3)记这三类人群在t时刻的人数(一般为第t天),进而H(t)= I1(t)+I2(t)+I3(t)。
第2步,由于密切跟踪隔离措施的实施,与感染者密切接触的人群分为隔离的易感者类Sq,和潜伏者类Eq。通过感染 者密切接触追踪,假设q1+q2(=q)比例的接触者类被隔离,其中q2比例的被隔离个体若被感染,则该个体隔离在Eq仓室,否 则隔离在Sq仓室;q1比例的被隔离个体若被感染,则该个体将由发热门诊隔离至P仓室,否则隔离在Sq仓室。Sq仓室包括 居家医学观察者S1q与集中隔离医学观察者S2q,Sq仓室中r比例的密切接触者集中医学隔离在S1q仓室,1-r比例的密切接 触者居家隔离在S2q仓室。若1-q比例的接触者在追踪中被遗漏,一旦被有效感染,则移动至E仓室,否则仍然留在S仓室 中。假设每次接触时传播概率为β,接触数为c,本发明假设被隔离个体中,若被感染,则分别以βcq1及βcq2的速率移动至 仓室P及仓室Eq。否则将以(1-β)cq及βc(1-q)速率移至仓室Sq及仓室E。进而易感者类、隔离者类以及潜伏者类输入、输出 关系如图5所示。
第3步,对于易感者类S,根据图5的输入、输出关系,可得其动力学模型为:
S′=-[βc+(1-β)cq]S(I+θE)/N-m1H+λSq+m2P+δR;
第4步,对于自由环境中的潜伏者类E,基于假设“第2步”,由于追踪隔离被遗漏,S由速率βc(1-q)输入潜伏者类E, 而随着病情的发展,一部分在自由环境中将以速率ε1发展成为患病者类I.另一部分以速率ε2被进入疑似病例的P仓室,还 有一部分在自由环境中发展成无症状感染病者A。其传播流程图为(图6):
对应的动力学方程为:
E’=βC(1-q)S(I+QE)/N-(ε1+ε2+ε3)E
第5步,对于自由环境中的染病者类I,主要由潜伏者类E输入,输入速率为ε1。以η的速率输出为确诊住院者类H,并 以γ2的速率恢复至仓室R,以α1的速率死亡。
故由图7可知,其动力学方程为:
I′=ε1E-(γ2+η)I-α2I
第6步,自由环境中无症状染病者A。
主要的无症状病例一般情况是没有就诊,而靠自身的免疫力自愈。这里本发明只考虑在自由环境中的无症状病例,不考 虑因其他疾病就诊的这部分少数病例。这种病例在最初时会多一些,然而伴随着国家严格的流行病学调查的实施及检疫措施 的加强,无症状染病者越来越少,因而本发明不考虑该类病例的接触感染,仅考虑无症状染病者类由自由环境中的潜伏者类 E的输入及依靠自身免疫自愈的输出。设其输入速率为ε3,恢复速率为γ3,其动力学方程为:
A′=ε3E-γ3A
第7步,对于住院隔离治疗者类H。随着染病者病情的发展,染病者类I被确诊转移至住院者类H,设其转移速率为η。 除了由自由环境中染病者类I输入病例之外,住院者类H还有部分来自于因为病程发展及医疗手段的局限,而无法短时间内 确诊的疑似病例P,设疑似病例被确诊而转移至H的转移速率为k2。根据SARS-COV-2病毒的感染后的严重程度不同,在 假设“第1步”中,本发明确诊住院的COVID-19患者分成三类:普通型病例(含轻症)、重症型病例、危重型病例。并用Ii(t)(i=1,2,3)表示t时刻的病例数,则H(t)=I1(t)+I2(t)+I3(t)。
由于药物的开发及诊疗方法的提升,这三类人群之间存在病程转化。假设三类人群的恢复率均为γ1,且I2转化为I3的 转化率为μ2,I3转化为I2转化率为μ3,I1转化为I2转化率为μ1,三类人群I1、I2与I3的输入病例的分配比例分别为h1,h2, h3,满足h1+h2+h3=1。此外,由于疾病导致的死亡主要由危重型病例所导致。假设每天病亡人数为αH(α为病死率)。基于此, 住院者类对应的转移流程图为(图8)。
H的动力学方程分别为:
H′=k2P+ηI-γ1H-αH
及Ii(i=1,2,3)对应的动力学方程为:
I1′=h1(k2P+ηI)-γ1I1+μ1I2
I2′=h2(k2P+ηI)-γ1I2-μ1I2+μ3I3
I3′=h3(k2P+ηI)-γ1I3-αH+μ2I2-μ3I3
第8步,疑似病例P。
根据疑似病例的流行病学史及临床表现,假设疑似病例由易感者类S,追踪潜伏者Eq及自由环境中的潜伏期者E输入, 其单位时间(一般为天)的输入病例数分别为βcq1S(I+θE)/N+m1H,k1Eq及ε2E,其中易感者 类的输入病例包括两部分:一部分是接触感染病例;另一部分是由发热门诊输入的病例,单位时间内输入人数为:m1S;
由图9可知,P的动力学方程为:
P′=βcq1S(I+θE)/N+m1H+k1Eq+ε3E-(k2+m2)P
第九步,追踪隔离易感者Sq、潜伏者隔离者Eq及治愈者R。
由图10可知,Sq与Eq的动力学方程为:
追踪到的隔离易感者:
S′q=(1-β)cqS(I+θE)/N-λSq
追踪到的集中隔离易感者:
S1q’=rC(1-β)qS(I+QE)/N-λS1q
追踪到的居家隔离易感者:
S2q’=(1-r)C(1-β)qS(I+QE)/N-λS2q
追踪到的隔离潜伏者:
Eq’=βCq1S(I+QE)/N-k1Eq
通过对自由环境中的染病者、确诊住院者、自由环境中无症状染病者以及病人患病特征,恢复者类的转移流程图为图 11:
由图11可得恢复者的动力学方程为:R′=γ1H+γ2I+γ3A-δR
综合假设1-9步的分析,各个仓室之间的转移流程如图12。
COVID-19传染病SEIAPHR传播动力学模型为:
这里N=S+E+I+A+H+R,q=q1+q2
由于:H=I1+I2+I3,Sq=S1q+S2q
如果将H,Sq替换为I1、I2、I3、S1q,S2q可得COVID传染病的动力学方程为:
④SEIAPHR优化模型构建
为综合考虑影响疫情爆发的区域因素、干预措施(检疫、封闭式管理及居家隔离等措施)及医疗资源的供给与配置,继 续构建耗费医疗资源最少的SEIAPHR优化模型。分别设置A1,A2,B为权重,q1,q2,u设置为关于t的函数,q1,q2,u控制力度居于(0,1) 之间,u可以选择不同力度,t0表示控制开始时间,ty表示控制结束时间,寻找控制参数u*使:
其中目标函数为:
优化模型构建流程图为图13:
约束方程为:
⑤反演验证模型的有效性:以COVID-19的流行过程对SEIAPHR模型进行参数反演和趋势预测,将最小二乘法以及马尔 科夫蒙特卡洛算法(MCMC)相结合用于SEIAPHR模型的参数反演,在MCMC算法中,参数建议分布选为正态分布,并利用 Metropolis-Hastings算法。微分方程的求解使用隐式Runge-Kutta刚性微分方程求解算法提高计算效率和收敛精度。
⑥综合考虑各种因素,改进SEIAPHR传染病动力学模型。为了使得模型更接近于实际,将在SEIAPHR传染病仓室模 型的基础上,引入不同地域之间(疫源地、接壤区域与非接壤区域)的病例和人员迁徙、人口变动、防控政策措施的改变、 防控措施实施时间的滞后因素以及疫苗的使用等因素,改进SEIAPHR仓室模型,研究新冠肺炎流行趋势,为医疗资源的供 给与耗费提供较为精准的预测。
2.3制定基于SEIAPHR优化模型预测值的医疗资源供给与配置模式本部分内容将结合研究内容一与研究内容二的结果, 通过模型预测突发传染病爆发的不同区域及不同时段需要配置医疗卫生技术人员的数量、应提供医疗物资的种类和数量及需 要投入的医疗费用。本部分内容主要通过统计分析及专家小组访谈的方式,为今后应对突发公共卫生事件医疗资源的供给与 配置提供一个科学的参考模式。
2.3.1方法
①统计分析方法
结合研究内容一与研究内容二,以COVID-19为例预测在疫情爆发的不同阶段及不同防控措施实施之下需要配置的医疗 人力资源、医疗物资及耗费的医疗费用,并与实际耗费的医疗资源进行比较,完善模型的预测能力,计算干预力度影响预测 结局的权重值(q1,q2,u),该权重系数可应用于今后应对突发公共卫生事件医疗资源的需求中。
②专题讨论
组织卫生行政部门领导、CDC突发公共卫生事件负责人、医疗机构传染病防治专业技术人员5-10人,对模型预测的医 疗资源的耗费进行评估,分析模型的可操作性和指导实践工作的意义。
2.3.2试验方案与关键技术
①计算突发传染病不同时段医疗资源的耗费
首先,将预测模型预测的需隔离人数、疑似病例数与确诊治疗(普通型(含轻症)、重型与危重型)的人数,结合测算 的每例各类人群需投入的医疗技术人员、医疗物资与医疗费用,建立医疗资源配置优化模型,解出不同地区与不同时段医疗 资源的配置数量。
其次,将模型测算出的医疗资源耗费的数量与调查地区实际投入的医疗资源进行比较,评估医疗资源测算方法的科学性 与准确性,并对模型进行修改,最终确定干预力度的权重系数,制定有实用价值的应对突发公共卫生事件医疗资源配置的优 化方案。
最后,将测算出的医疗资源需求量分为应急医疗资源储备部分与需紧急调配医疗资源部分,为决策者提供应急医疗资源 配置依据。
病例预测参数
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现; 软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可 以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或 DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的 代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可 编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以 由上述硬件电路和软件的结合例如固件来实现。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明 揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种突发公共卫生事件中应急资源分配方法,其特征在于,所述突发公共卫生事件中应急资源分配方法包括:
确定各级医疗卫生机构在检疫、隔离观察、疑似病例诊治、确诊病例治疗中耗费的医疗资源;
构建基于不同防控措施及分区域分时段的突发传染病疫情预测模型,确定医疗资源耗费最少的干预措施的优化预测模型;
制定基于SEIAPHR优化模型预测值的医疗资源供给与配置模式。
2.如权利要求1所述突发公共卫生事件中应急资源分配方法,其特征在于,所述耗费的医疗资源包括:人力资源、医疗物资与防控费用;
(1)所述人力资源耗费计算方法包括:
首先,采用作业成本法计算各项医疗服务流程所需时间,计算诊疗流程细项工作人力时间成本Ci;
其次,根据确定完成诊疗流程所计算的人均服务时间,计算服务单位数量各类人群所需的医务人员数量;同时确定每名医务人员每年的有效工作时间;
最后,计算完成每一类诊疗流程需要投入的人均人力时间货币成本;
(2)所述医疗物资耗费计算方法包括:从接受各类医疗服务流程需投入的医疗设施设备及耗材进行医疗物资耗费测算;通过调查实施相关医疗服务的医务人员及财务管理部门收集医疗物资的投入;
(3)所述防控费用耗费计算方法包括:分别回顾性收集集中医学隔离、疑似病例、确诊普通型、重症病例各100例,及危重症病例50例的病例资料,收集调查对象在整个诊疗流程中的医疗成本数据;计算各类病例的平均医疗资源耗费;
所述医疗成本包括直接医疗成本与间接医疗成本;
所述直接医疗成本包括门诊费用和住院费用;所述住院费用含诊断检测费、健康检测费、药物治疗费用、治疗相关并发症的费用与住院费用;
所述间接医疗成本包括隔离期间食宿费与误工费、因阻断院内感染占用的医疗资源。
3.如权利要求1所述突发公共卫生事件中应急资源分配方法,其特征在于,所述构建基于不同防控措施及分区域分时段的突发传染病疫情预测模型,确定医疗资源耗费最少的干预措施的优化预测模型包括:
1)收集相关流行病学数据并整理异常值;
2)确定纳入模型的因素:纳入传统的SEIR模型因素:时滞因素、传染力、潜伏期、疾病转归期,及影响医疗资源耗费的因素:疾病流行的不同阶段、地域因素、人口变动、防控政策措施的改变、密切接触者的追踪、隔离、疑似病例、疾病危重程度;
3)确定模型预测的主要指标:集中隔离人数、疑似病例数与确诊隔离住院治疗病例;
4)构建SEIAPHR模型:构建SEIAPHR优化模型;
5)以流行过程对SEIAPHR模型进行参数反演和趋势预测,将最小二乘法以及马尔科夫蒙特卡洛算法相结合进行SEIAPHR模型的参数反演,参数分布选为正态分布,并利用Metropolis-Hastings算法;微分方程的求解使用隐式Runge-Kutta刚性微分方程求解算法;
6)在SEIAPHR传染病仓室模型的基础上,引入不同地域之间即疫源地、接壤区域与非接壤区域的病例和人员迁徙、人口变动、防控政策措施的改变、防控措施实施时间的滞后因素以及疫苗的使用相关因素,改进SEIAPHR仓室模型。
4.如权利要求3所述突发公共卫生事件中应急资源分配方法,其特征在于,所述SEIAPHR模型构建方法包括:
第一步,将所考虑地区的总人数分为11类,易感者类S,自由环境中的潜伏者类E,患病者类I,无症状染病者类A,追踪到进行医学观察包括集中隔离医学观察S1q与居家医学观察S2q的易感者类Sq与无症状潜伏者类Eq,疑似病例为P,确诊并住院隔离治疗者类为H,恢复者类为R,死亡者类为D;同时用包括S(t),S1q(t),S2q(t),E(t),I(t),A(t),Sq(t),包括S1q(t)与S2q(t)),Eq(t),P(t),H(t),R(t)及D(t)分别表示t时刻这几类人群的个体数,并记:
N(t)=S(t)+E(t)+I(t)+A(t)+H(t)+R(t)
同时将确诊接受医学治疗病例数H分为三类:普通与轻型确诊病人类I1,重症确诊病人类I2,及危重确诊病人类I3,并分别用Ii(t)(i=1,2,3)记这三类人群在t时刻的人数,第t天,进而H(t)=I1(t)+I2(t)+I3(t);
第二步,确定易感者类、隔离者类以及潜伏者类输入、输出关系;由于密切跟踪隔离措施的实施,与感染者密切接触的人群分为隔离的易感者类Sq,和潜伏者类Eq,通过感染者密切接触追踪,假设q1+q2(=q)比例的接触者类被隔离,其中q2比例的被隔离个体若被感染,则该个体隔离在Eq仓室,否则隔离在Sq仓室;q1比例的被隔离个体若被感染,则该个体将由发热门诊隔离至P仓室,否则隔离在Sq仓室;Sq仓室包括居家医学观察者S1q与集中隔离医学观察者S2q,Sq仓室中r比例的密切接触者集中医学隔离在S1q仓室,1-r比例的密切接触者居家隔离在S2q仓室;若1-q比例的接触者在追踪中被遗漏,一旦被有效感染,则移动至E仓室,否则仍然留在S仓室中;假设每次接触时传播概率为β,接触数为c,假设被隔离个体中,若被感染,则分别以βcq1及βcq2的速率移动至仓室P及仓室Eq;否则将以(1-β)cq及βc(1-q)速率移至仓室Sq及仓室E;
第三步,对于易感者类S,根据确定1的输入、输出关系,得到其动力学模型为:S′=-[βc+(1-β)cq]S(I+θE)/N-m1H+λSq+m2P+δR;
第四步,确定自由环境中的潜伏者类E的传播动力学方程为:
E′=βc(1-q)S(I+θE)/N-(ε1+ε2+ε3)E
第五步,确定自由环境中的染病者类I的动力学方程为:
I′=ε1E-(γ2+η)I-α2I
第六步,确定自由环境中无症状染病者A的动力学方程为:
A′=ε3E-γ3A;
第七步,确定住院隔离治疗者类H的动力学方程分别为:
H′=k2P+ηI-γ1H-αH
及Ii(i=1,2,3)对应的动力学方程为:
I1′=h1(k2P+ηI)-γ1I1+μ1I2
I2′=h2(k2P+ηI)-γ1I2-μ1I2+μ3I3
I3′=h3(k2P+ηI)-γ1I3-αH+μ2I2-μ3I3
第八步,确定疑似病例P的动力学方程为:
P′=βcq1S(I+θE)/N+m1H+k1Eq+ε3E-(k2+m2)P
第九步,确定追踪隔离易感者Sq、潜伏者隔离者Eq及治愈者R的动力学方程;
追踪到的隔离易感者:
S′q=(1-β)cqS(I+θE)/N-λSq
追踪到的集中隔离易感者:
S′1q=rc(1-β)qS(I+θE)/N-λS1q
追踪到的居家隔离易感者:
S′2q=(1-r)c(1-β)qS(I+θE)/N-λS2q
追踪到的隔离潜伏者:
E′q=βcq2S(I+θE)/N-k1Eq
恢复者的动力学方程为:R′=γ1H+γ2I+γ3A-δR;
传染病SEIAPHR传播动力学模型为:
6.如权利要求1所述突发公共卫生事件中应急资源分配方法,其特征在于,所述制定基于SEIAPHR优化模型预测值的医疗资源供给与配置模式包括:
首先,将得到的预测模型预测的需隔离人数、疑似病例数与确诊治疗的人数,结合测算的每例各类人群需投入的医疗技术人员、医疗物资与医疗费用,建立医疗资源配置优化模型,得到不同地区与不同时段医疗资源的配置数量;
其次,将模型测算出的医疗资源耗费的数量与调查地区实际投入的医疗资源进行比较,评估医疗资源测算方法的科学性与准确性,并对模型进行修改,最终确定干预力度的权重系数,制定有实用价值的应对突发公共卫生事件医疗资源配置的优化方案;
最后,将测算出的医疗资源需求量分为应急医疗资源储备部分与需紧急调配医疗资源部分,进行应急医疗资源配置。
7.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
确定各级医疗卫生机构在检疫、隔离观察、疑似病例诊治、确诊病例治疗耗费的医疗资源;
构建基于不同防控措施及分区域分时段的突发传染病疫情预测模型,确定医疗资源耗费最少的干预措施的优化预测模型;
制定基于SEIAPHR优化模型预测值的医疗资源供给与配置模式。
8.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:
确定各级医疗卫生机构在检疫、隔离观察、疑似病例诊治、确诊病例治疗耗费的医疗资源;
构建基于不同防控措施及分区域分时段的突发传染病疫情预测模型,确定医疗资源耗费最少的干预措施的优化预测模型;
制定基于SEIAPHR优化模型预测值的医疗资源供给与配置模式。
9.一种运行权利要求1~6任意一项所述突发公共卫生事件中应急资源分配方法的突发公共卫生事件中应急资源分配系统,其特征在于,所述突发公共卫生事件中应急资源分配系统包括:
医疗资源处理模块,用于确定各级医疗卫生机构在检疫、隔离观察、疑似病例诊治、确诊病例治疗耗费的医疗资源;
优化预测模型构建模块,用于构建基于不同防控措施及分区域分时段的突发传染病疫情预测模型,确定医疗资源耗费最少的干预措施的优化预测模型;
医疗资源供给与配置模式指定模块,用于制定基于SEIAPHR优化模型预测值的医疗资源供给与配置模式。
10.一种终端,其特征在于,所述终端搭载权利要求9所述的突发公共卫生事件中应急资源分配系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011252671.9A CN112734153A (zh) | 2020-11-11 | 2020-11-11 | 一种突发公共卫生事件中应急资源分配方法、系统及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011252671.9A CN112734153A (zh) | 2020-11-11 | 2020-11-11 | 一种突发公共卫生事件中应急资源分配方法、系统及应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112734153A true CN112734153A (zh) | 2021-04-30 |
Family
ID=75597385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011252671.9A Pending CN112734153A (zh) | 2020-11-11 | 2020-11-11 | 一种突发公共卫生事件中应急资源分配方法、系统及应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112734153A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113268700A (zh) * | 2021-05-21 | 2021-08-17 | 王志斌 | 一种用于智慧医疗的互联网+资源管理方法 |
CN113345595A (zh) * | 2021-05-17 | 2021-09-03 | 上海大学 | 时序网络上基于检测和接触追踪的流行病干预方法 |
CN113627744A (zh) * | 2021-07-21 | 2021-11-09 | 南方医科大学第七附属医院(佛山市南海区第三人民医院) | 新发重大传染病社区防控信息管理系统、方法和存储介质 |
CN113689959A (zh) * | 2021-08-25 | 2021-11-23 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的疫情防控决策方法、装置、设备及介质 |
CN115392641A (zh) * | 2022-07-29 | 2022-11-25 | 武汉达梦数据技术有限公司 | 一种资源调度方法和装置 |
CN116307829A (zh) * | 2023-01-17 | 2023-06-23 | 福建实达集团股份有限公司 | 基于信息熵评估传染病对社会承载力的影响方法及装置 |
CN116705340A (zh) * | 2023-04-07 | 2023-09-05 | 中南大学湘雅三医院 | 一种基于区块链的公共卫生智慧监测系统及方法 |
CN116910661A (zh) * | 2023-09-08 | 2023-10-20 | 奇点数联(北京)科技有限公司 | 一种基于数据驱动的医疗物资分配系统 |
CN117253577A (zh) * | 2023-11-17 | 2023-12-19 | 四川省大数据技术服务中心 | 一种多维卫生健康数据集成处理系统 |
CN117615338A (zh) * | 2024-01-23 | 2024-02-27 | 北京南师信息技术有限公司 | 基于生成式ai的门诊管理方法及系统 |
-
2020
- 2020-11-11 CN CN202011252671.9A patent/CN112734153A/zh active Pending
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113345595A (zh) * | 2021-05-17 | 2021-09-03 | 上海大学 | 时序网络上基于检测和接触追踪的流行病干预方法 |
CN113268700A (zh) * | 2021-05-21 | 2021-08-17 | 王志斌 | 一种用于智慧医疗的互联网+资源管理方法 |
CN113627744B (zh) * | 2021-07-21 | 2024-02-09 | 南方医科大学第七附属医院(佛山市南海区第三人民医院) | 新发重大传染病社区防控信息管理系统、方法和存储介质 |
CN113627744A (zh) * | 2021-07-21 | 2021-11-09 | 南方医科大学第七附属医院(佛山市南海区第三人民医院) | 新发重大传染病社区防控信息管理系统、方法和存储介质 |
CN113689959A (zh) * | 2021-08-25 | 2021-11-23 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的疫情防控决策方法、装置、设备及介质 |
CN113689959B (zh) * | 2021-08-25 | 2024-04-05 | 深圳平安智慧医健科技有限公司 | 基于人工智能的疫情防控决策方法、装置、设备及介质 |
CN115392641A (zh) * | 2022-07-29 | 2022-11-25 | 武汉达梦数据技术有限公司 | 一种资源调度方法和装置 |
CN116307829A (zh) * | 2023-01-17 | 2023-06-23 | 福建实达集团股份有限公司 | 基于信息熵评估传染病对社会承载力的影响方法及装置 |
CN116307829B (zh) * | 2023-01-17 | 2024-03-29 | 福建实达集团股份有限公司 | 基于信息熵评估传染病对社会承载力的影响方法及装置 |
CN116705340A (zh) * | 2023-04-07 | 2023-09-05 | 中南大学湘雅三医院 | 一种基于区块链的公共卫生智慧监测系统及方法 |
CN116705340B (zh) * | 2023-04-07 | 2024-02-02 | 中南大学湘雅三医院 | 一种基于区块链的公共卫生智慧监测系统及方法 |
CN116910661B (zh) * | 2023-09-08 | 2023-12-08 | 奇点数联(北京)科技有限公司 | 一种基于数据驱动的医疗物资分配系统 |
CN116910661A (zh) * | 2023-09-08 | 2023-10-20 | 奇点数联(北京)科技有限公司 | 一种基于数据驱动的医疗物资分配系统 |
CN117253577B (zh) * | 2023-11-17 | 2024-03-12 | 四川省大数据技术服务中心 | 一种多维卫生健康数据集成处理系统 |
CN117253577A (zh) * | 2023-11-17 | 2023-12-19 | 四川省大数据技术服务中心 | 一种多维卫生健康数据集成处理系统 |
CN117615338A (zh) * | 2024-01-23 | 2024-02-27 | 北京南师信息技术有限公司 | 基于生成式ai的门诊管理方法及系统 |
CN117615338B (zh) * | 2024-01-23 | 2024-04-05 | 北京南师信息技术有限公司 | 基于生成式ai的门诊管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112734153A (zh) | 一种突发公共卫生事件中应急资源分配方法、系统及应用 | |
Aeenparast et al. | Reducing outpatient waiting time: a simulation modeling approach | |
Gómez-Vallejo et al. | A case-based reasoning system for aiding detection and classification of nosocomial infections | |
Hussein et al. | Mitigating overcrowding in emergency departments using Six Sigma and simulation: A case study in Egypt | |
Arya et al. | Impact of scribes on performance indicators in the emergency department | |
Delen et al. | An analytic approach to better understanding and management of coronary surgeries | |
Ben-Assuli et al. | Using electronic medical record systems for admission decisions in emergency departments: examining the crowdedness effect | |
Nirel et al. | The impact of an integrated hospital-community medical information system on quality and service utilization in hospital departments | |
Chen et al. | Inferring clinical workflow efficiency via electronic medical record utilization | |
Ivziku et al. | Defining nursing workload predictors: A pilot study | |
CN113345583A (zh) | 一种构建全生命周期居民智慧健康档案的方法及系统 | |
Furian et al. | GEDMod–Towards a generic toolkit for emergency department modeling | |
Wu et al. | [Retracted] Optimization of Markov Queuing Model in Hospital Bed Resource Allocation | |
November | Early biomedical computing and the roots of evidence-based medicine | |
Harrold et al. | All hospice patients are not equal: development of a visit-based acuity index | |
Gao et al. | Developing and validating an emergency triage model using machine learning algorithms with medical big data | |
Zun | Analysis of the literature on emergency department throughput | |
Acero et al. | Understanding the activity of oncology nurse coordinators: An elaboration of a framework based on an abductive approach | |
Alghamdi et al. | The Role of Machine Learning in Managing and Organizing Healthcare Records | |
Munsamy et al. | Hospital energy demand forecasting for prioritisation during periods of constrained supply | |
Mullins et al. | Predictors of clinician use of Australia’s national health information exchange in the emergency Department: An analysis of log data | |
Vázquez-Serrano et al. | System dynamics applications in healthcare: A literature review | |
Cohen | The use and impacts of a Corporate Data Warehouse: The case of the national health laboratory service | |
Brick et al. | Health system and patient-level factors associated with multidisciplinary care and patient education among hospitalized, older cancer survivors | |
Yeroshkina et al. | Analysis of the states of the activity of the laboratory service of the industrial region of Ukraine and the ways of it optimization. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210430 |
|
RJ01 | Rejection of invention patent application after publication |