CN113096787A - 数据驱动疫情检测和医疗资源分配的联合决策系统与方法 - Google Patents

Abstract

本发明属于疫情应急决策领域，提供了一种数据驱动疫情检测和医疗资源分配的联合决策系统与方法。本发明可以基于不断到达的确诊病例数据以及疫情检测结果数据，不断学习和改进对与人群中易感者、无症状感染者、有症状感染者和康复者的数量以及疫情的传播参数的预测和估计，并以最小化未来的感染总人数为目标，动态地对疫情监测和医疗资源分配进行联合决策。本发明的效果和益处是可以基于有限的确诊病例数据以及疫情检测数据，对疫情发展进行预测，并实现基于预测的决策，降低总体感染人数，提高决策的前瞻性、有效性和科学性。

Description

数据驱动疫情检测和医疗资源分配的联合决策系统与方法

技术领域

本发明属于疫情应急决策管理领域，涉及一种数据驱动疫情检测和医疗资源分配的联合决策系统与方法。

背景技术

疫情的传播具有时空动态特征，受到当地的人口密度、感染人数以及人口流动等多个因素影响。因此，在疫情防控中，对辖区内各区域进行有针对性的疫情检测，确诊和隔离无症状感染者，并将有限的医疗资源分配给各区域，对实现精准、及时地疫情控制十分重要。然而，当前公共卫生决策部门在进行疫情检测和医疗资源分配决策时可获得的信息十分有限，仅能获取下属卫生机构周期性地上报的确诊病例数据。同时，疫情检测和医疗资源分配是复杂不确定条件下的两个相互耦合的决策问题，合适的检测策略会帮助公共卫生决策部门获得更多的信息以提高疫情预测效果，以制定更精准、及时的医疗资源分配决策，同样医疗资源的分配决策也会影响检测决策。综上所述，需要建立数据驱动的优化方法，利用不断到达的确诊病例数据和疫情检测数据(以下统一简称为数据)预测疫情状态和发展趋势，实现对疫情检测和医疗资源分配的联合决策。

目前，在疫情应急决策领域中，尚未有将疫情检测和医疗资源分配进行联合决策的专利。在疫情应急医疗资源分配领域，现有专利通常假设需求已知或者满足一定的概率分布，在此基础之上进行医疗资源的分配决策优化，对于决策部门只能获得下属卫生机构周期性地上报的确诊病例数据和疫情检测确数据这一现实情况考虑不足。而在疫情检测方面，现有的专利集中检测装置和仪器方面，疫情检测决策方法还尚未被关注。中国专利号为CN202010738486.4的“一种基于多目标优化的应急医疗资源分配方法”以最小化高危人群与感染程度为目标，利用粒子群算法对N个区域的应急医疗资源分配方案进行决策。中国专利号为CN202011237212.3的“一种突发公共卫生事件医疗物资智能调配系统”通过对应急物资紧急保障流程特征分析确定物资优先级，并设计了一种基于优先级调配函数原则建设应急医疗物资智能调配追溯信息系统架构。

目前的疫情检测和医疗资源分配决策存在以下不足：当前实际决策中，疫情检测和医疗资源分配通常是基于专家经验或者反应式的决策方式，即，将医疗资源按照确诊人数的多少进行分配，并重点检测确诊人数较多的地区。然而，疫情的传播是一个时空动态过程，自由活动的无症状感染者会极大地增加疫情传播，仅基于确诊数据生成的决策疫情控制效率较低，需要进行基于预测的决策。与此同时，当前疫情检测和医疗资源分配决策过程是相互独立的，没有充分考虑其耦合关系，这也极大地影响了疫情控制效率。

发明内容

本发明要解决的技术问题是在突发大规模疫情爆发时，如何依据有限的数据和信息，对疫情检测和医疗资源分配进行多阶段的动态决策，降低疫情中总感染人数。本发明将疫情检测和医疗资源分配进行了联合考虑，将多个地区组成的网络中的人口密度、人口流动等因素，将疫情传播和资源需求的时空动态性和地域特征反映在决策模型中，提出一种数据驱动的多阶段疫情检测和医疗资源分配联合决策系统与方法，其能够基于不断到达的确诊病例数据以及疫情检测结果数据，对疫情的传播进行预测，并基于预测对疫情检测和医疗资源分配进行联合决策，从而可以实现在信息有限的情况下，进行具有前瞻性地、有效和科学地决策。

本发明的技术方案：

一种数据驱动疫情检测和医疗资源分配的联合决策系统，包括初始化模块、信息输入模块、计算模块1、计算模块2、计算模块3、决策输出模块和计算模块4；所述的初始化模块根据疫情传播特征和决策辖区数量建立疫情传播机理模型，并根据历史经验数据初始化不确定参数取值空间；信息输入模块用于输入新到达的数据，并根据实际中可用资源情况动态调整模型资源约束；计算模块1用于根据新到达的数据对模型中不确定参数的取值空间进行参数化表示；计算模块2根据新到达的数据及计算模块1中的参数化表示结果对疫情传播状态进行估计；计算模块3根据计算模块2中的疫情传播状态估计结果动态地生成疫情检测和医疗资源分配决策；决策输出模块用于将计算模块3生成的决策结果进行格式化表示并提供给决策者(例如，疾控中心)作为决策支持；计算模块4基于计算模块1通过学习新数据得到的参数空间表示，更新疫情传播机理模型中不确定参数的取值空间，作为下一阶段的输入。

本发明的原理：将大规模突发性疫情的传播刻画为一个由多个地区相互连接成的复杂网络，网络具有的参数不确定、系统状态部分可观测、系统动态非平稳特点，本发明基于系统观察数据，利用回归方法和拉丁超立方抽样方法，将不确定参数空间表示为经验概率，并根据后续不断到达的新的数据，学习和更新系统参数空间和经验概率，实现不确定空间的参数化表示，从而将疫情检测和医疗资源分配问题描述为随机动态规划问题，最后采用滚动时域优化方法求解。

一种数据驱动疫情检测和医疗资源分配的联合决策方法，采用上述系统，具体步骤如下：

(1)初始化模块：问题建模与初始化

步骤1.1：问题建模

将决策中心辖区内的M个区域表示成相互连通的网络，基于传染病传播中的SEIR模型(易感人群S，无症状感染人群E，有症状感染人群I，康复人群R)将每个区域的人口分成四类，并考虑区域间的人口短期流动，利用常微分方程建立结合具体的疫情传播特征和决策变量建立疫情传播机理模型。

步骤1.2：问题初始化

结合历史数据和专家经验，以给定的置信区间确定模型中的参数取值范围，形成不确定参数空间，记为

初始化结束后，在每个决策阶段开始时，重复步骤(2)到步骤(7)。

(2)信息输入模块：信息输入

步骤2.1：输入新增确诊信息

在决策阶段k开始时，输入当前获得的新数据，包括新确诊有症状的人数和检测确诊的无症状感染者人数，记为X^k，X^k：＝{X^i,k|i＝1,…,M}。

步骤2.2：更新可用资源信息

根据当前可用的医疗资源和疫情检测资源，更新决策模型约束。

(3)计算模块1：对当前不确定参数空间进行参数化表示

步骤3.1：参数抽样

利用拉丁超立方抽样方法，在当前不确定参数空间

中抽取N个向量。

步骤3.2：参数排序和选取

针对步骤3.1中抽取的参数向量θ，结合参数向量θ对新到达数据X^k的拟合效果估计值C_k(θ)进行升序排序，选取前N_A个元素，即拟合误差最小的前N_A个元素，形成参数集合Θ^k。

步骤3.3：计算参数的经验概率

基于C_k(θ)计算参数集合Θ^k中每一个元素θ∈Θ^k对应的经验概率p_k(θ)，拟合效果越好的参数可能是真实参数的概率越高。

(4)计算模块2：系统状态估计

将前一阶段的状态X^k-1、医疗资源分配决策u^k-1以及疫情检测决策ω^k-1作为初始输入，估计不同参数向量θ∈Θ^k下的系统状态，并基于概率分布{p_k(θ)|θ∈Θ^k}对所得结果求系统中不可观测的状态(包括各个区域易感人群和康复人群的规模，以及未必检测区域的无症状感染人群规模)的期望，将系统中不可观测的状态的期望与新获得数据X^k合并，由此得到决策阶段k的系统状态估计

作为决策的初始条件。

(5)计算模块3：疫情检测和医疗资源分配联合决策优化决策建模及求解

基于随机规划和时域滚动优化方法，以最小化未来H_P阶段新增感染人数为目标，建立疫情检测和医疗资源分配联合决策模型。模型可以转化为确定性的非线性混合整数优化问题，并通过商用求解器进行求解，获得医疗资源分配决策u^k和疫情检测决策ω^k。

(6)决策输出模块：决策输出

将计算机模块3求解得到的医疗资源分配决策u^k和疫情检测决策ω^k转化为可读的形式(如，阶段k给每个地区分配的各类医疗资源的数量以及检测哪些区域)，为决策者提供决策支持。

(7)计算模块4：参数空间更新

针对参数集合Θ^k中元素的每个分量求对应的上界和下界，基于所得的上界和下界形成新的参数空间

并将

作为下一阶段计算模块1中的不确定参数空间，根据下一阶段新获得的数据进行参数化表示。显然参数集合Θ^k中的所有元素都在

中，且

因此本发明提出的方法可以实现通过对新数据的学习，不断地缩小不确定参数空间。

本发明的效果和益处：

(1)将疫情检测和医疗资源分配进行了联合考虑，提出一种新的疫情应急管理决策问题，提高了实际中疫情检测和医疗资源分配决策的前瞻性和有效性。

(2)建立一种新的基于网络的疫情传播的感知和控制模型，将多个地区组成的网络中的人口密度、人口流动等因素，将疫情传播和资源需求的时空动态性和地域特征反映在决策建模中，提高了决策的科学性。

(3)创建一种新的数据驱动的决策优化方法，为解决此类系统参数不确定、系统状态部分可观测、系统动态非平稳的复杂网络的感知和控制问题提供新方法。

(4)本发明提出的数据驱动的决策框架具有普适性，通过引入对应的机理模型和实际数据，可以为多种突发性大规模疫情(如，Covid-19，SARS，甲型H1N1流感，西非埃博拉病毒)提供疫情检测和医疗资源分配决策支持，提高疫情应急决策的实时性、科学性和有效性。

附图说明

图1是本发明的数据驱动疫情检测和医疗资源分配的联合决策系统的结构和内部各模块之间的连接传输关系的示意图。

图2是本发明的数据驱动疫情检测和医疗资源分配的联合决策方法的流程框图。

具体实施方式

以下结合附图和技术方案，进一步说明本发明的具体实施方式。

本发明揭示了一种数据驱动的疫情检测和医疗资源分配联合决策支持系统与方法的工作流程。

如图1所示，本发明的数据驱动疫情检测和医疗资源分配的联合决策系统由包括初始化模块、信息输入模块、计算模块1、计算模块2、计算模块3、决策输出模块和计算模块4构成，其中信息输入模块将定期将外部信息(下属卫生机构周期性地上报的确诊病例数据和通过疫情检测得到的无症状感染者数据)输入到系统中，并通过计算模块1和计算模块4不断地学习和缩小不确定参数空间，实现基于预测的决策。依据顺序，各模块功能包括：

(1)初始化模块，用于根据疫情传播特征、决策辖区数量初始化疫情传播机理模型，并根据历史经验数据初始化模型中的不确定参数取值空间

(2)信息输入模块，用于输入新到达的数据X^k，并根据实际中可用资源情况动态调整模型资源约束；

(3)计算模块1，基于新到达的数据，对当前不确定参数空间

进行量化表示，生成参数集合Θ^k及其中元素对应的经验概率p_k(θ),θ∈Θ^k；

(4)计算模块2，根据Θ^k和p_k(θ),θ∈Θ^k，估计系统状态

作为决策优化的初始条件；

(5)计算模块3，以最小化未来H_p个阶段的新增总感染者数量为目标，生成疫情检测和医疗资源分配决策；

(6)决策输出模块，将模块3中得到的疫情检测和医疗资源分配决策进行格式化表示，生成可读的决策结果；

(7)计算模块4，利用学习新到达数据得到的参数集合Θ^k生成新参数空间

作为下一决策阶段中计算模块1的输入。

结合图2，以一个决策中心辖区包含的M个区域的新冠肺炎疫情应急决策为例，本发明提出的数据驱动的疫情检测和医疗资源分配联合决策方法的具体实施步骤如下：

·步骤1：问题初始化建模

将决策中心辖区内的M个区域表示成相互连通的网络，基于SEIR模型(易感人群S，无症状感染人群E，有症状感染人群I，康复人群R)将每个区域的人口分成四类，区域间的人口存在短期流动，利用常微分方程建立结合具体的疫情传播特征和决策变量建立机理模型，如式(1)-(4)基于新冠肺炎的传播特征建立了疫情传播的机理模型。

上述模型的参数含义如表1所示，其中带星号(*)的参数表示模型中的不确定参数，针对一次具体的疫情来说，这类参数只能根据历史数据和专家经验，以一定的置信区间确定取值范围，形成不确定参数空间

初始化完成后，令k＝1。

表1基于SEIR的异质种群模型参数和变量说明

式(1)-(4)的具体含义如下。式(1)表示区域i中的易感人群(S)变化情况，

表示在时刻t时区域i中的易感人群因接触无症状感染者的而被感染的人数，而

表示因接触无症状感染者的而被感染的人数。这里

表示区域i中时刻t无症状感染人群的加权密度，包括了本地的无症状感染人群和从其他区域流入本区的无症状感染者，

表示在时刻t区域j的人口流向区域i的趋势函数，一个区域对另一区域人口的吸引力与当地的人口数量成正比，并且与两个区域间的距离成反比，且在整个区域网络中，人口数量越多的地区，越具有吸引力(如，城市中心区域的人口会多于郊区人口，人口短期流动也趋于向中心区域单向流动)。类似地，

表示区域i在时刻t有症状感染人群的加权密度。式(2)表示区域i中的无症状感染人群(E)时刻t的变化量，第一项表示有比例α为被感染的易感人群会变成无症状感染者，第二项表示经过一段潜伏期以后会有σEⁱ(t)无症状感染人群呈现出症状变为有症状感染者，而第三项表示会有γ的无症状感染者会痊愈变为康复者，第四项表示在检测决策ωⁱ(t)下，该区域被确诊并被纳入有症状感染人群的人数。类似式(2)，式(3)中第一项表示有比例为1-α的被感染的易感人群会变成有症状感染者，第二项和第三项表示新增的出现感染症状或者因疫情检测被确诊的感染者，第四项表示有症状感染者经过治疗将会痊愈变为康复者。式(4)表示康复人群的变化情况。

·初始化结束后，在每个决策阶段开始时，重复步骤2到步骤7。

·步骤2：信息输入

在决策阶段k开始时，输入当前获得的新数据X^k(ω^k-1)(包括新确诊有症状的人数和检测确诊的无症状感染者人数)，同时根据当前可用的医疗资源和疫情检测资源情况更新决策模型约束。

·步骤3：基于新到达数据X^k对参数空间

进行参数化表示

步骤3.1：参数抽样

利用拉丁超立方抽样方法，在

抽取N个向量，作为候选向量。

步骤3.2：参数排序和选取

对步骤3.1中抽取的候选向量依据式(5)计算对应的C_k(θ)，并根据C_k(θ)值对向量进行升序排序，选取前N_A个元素，形成参数集合Θ^k，即最小化基于θ得到的系统状态预测值与新观测到的系统状态X^k(ω^k-1)之间的误差平方和。

步骤3.3：计算参数的经验概率

基于式(6)计算数集合Θ^k中元素对应的经验概率，即拟合效果越好的参数可能是真实参数的概率越高。

·步骤4：系统状态估计

将前一阶段的状态X^k-1、医疗资源分配决策u^k-1以及疫情检测决策ω^k-1作为初始输入，估计不同参数向量θ∈Θ^k下的系统状态，并基于概率分布{p_k(θ)|θ∈Θ^k}对所得结果求期望，得到对于当前各个区域易感人群，无症状感染人群和康复人群的规模估计

和

如式(7)-(9)，这里为了简明表示，我们令

将上述结果与系统观察数据X^k合并，由此得到决策阶段k的系统状态估计

作为决策的初始条件。

·步骤5：疫情检测和医疗资源分配联合决策优化

步骤5.1：决策建模及求解

基于随机规划和时域滚动优化方法，以最小化未来H_P阶段新增感染人数为目标，建立疫情检测和医疗资源分配联合决策模型，如式(10)-(14)。模型可以转化为确定性的非线性混合整数优化问题，并通过商用求解器进行求解。了简明表示，第k阶段医疗资源分配决策变量简写为u^k：＝{u^i,k|i＝1,…,M}，疫情检测决策变量简写为ω^k：＝{ω^i,k|i＝1,…,M}。

s.t.

ω^i,k+j∈{0,1}i＝1,…,N,j＝0,…,H_P-1 (14)

约束(11)表示医疗资源限制约束(如，每个阶段网络中可以治疗的感染者总数是C)，cⁱ(·)表示计算分配给区域i的医疗资源的函数，可以根据实际的需要设定。约束(12)表示检测试剂资源限制，gⁱ(·)表示对区域i的进行群体检测的资源计算函数，可以根据实际的需要设定。约束(13)和(13)则给出决策变量u^i,j和ω^i,j的取值范围。

步骤5.2：决策输出

将决策u^k,ω^k转化为可读的形式(如，阶段k给各个地区分配的各类医疗资源的数量以及检测哪些区域)，为决策者提供决策支持。

·步骤6：参数空间更新

根据步骤(3)中通过学习新到达数据得到Θ^k，更新参数空间。设元素θ是一个S维向量，即集合Θ^k中的第n个元素(n＝1,…,N_A)可以展开成

因此，每一个不确定参数

都可以根据集合Θ^k找到一个上界

和一个下界

满足式(15)

显然，利用

和

可以一个新的参数空间

使得参数集合Θ^k中的所有元素都在

中，且

即不确定参数空间会通过学习不断到达的数据逐步缩小。新获得的参数空间

将作为下一决策周期中的不确定参数取值空间，用于作为步骤3.1中的抽样空间。

·步骤7：令k＝k+1。

Claims (2)

1.一种数据驱动疫情检测和医疗资源分配的联合决策系统，所述的联合决策系统包括初始化模块、信息输入模块、计算模块1、计算模块2、计算模块3、决策输出模块和计算模块4；所述的初始化模块根据疫情传播特征和决策辖区数量建立疫情传播机理模型，并根据历史经验数据初始化不确定参数取值空间；信息输入模块用于输入新到达的数据，并根据实际中可用资源情况动态调整模型资源约束；计算模块1用于根据新到达的数据对模型中不确定参数的取值空间进行参数化表示；计算模块2根据新到达的数据及计算模块1中的参数化表示结果对疫情传播状态进行估计；计算模块3根据计算模块2中的疫情传播状态估计结果动态地生成疫情检测和医疗资源分配决策；决策输出模块用于将计算模块3生成的决策结果进行格式化表示并提供给决策者作为决策支持；计算模块4基于计算模块1通过学习新数据得到的参数空间表示，更新疫情传播机理模型中不确定参数的取值空间，作为下一阶段的输入。

2.一种数据驱动疫情检测和医疗资源分配的联合决策方法，采用权利要求1所述的联合决策系统，其特征在于，具体步骤如下：

(1)初始化模块：问题建模与初始化

步骤1.1：问题建模

将决策中心辖区内的M个区域表示成相互连通的网络，基于传染病传播中的SEIR模型将每个区域的人口分成四类，并考虑区域间的人口短期流动，利用常微分方程建立结合具体的疫情传播特征和决策变量建立疫情传播机理模型；

步骤1.2：问题初始化

结合历史数据和专家经验，以给定的置信区间确定模型中的参数取值范围，形成不确定参数空间，记为

初始化结束后，在每个决策阶段开始时，重复步骤(2)到步骤(7)；

(2)信息输入模块：信息输入

步骤2.1：输入新增确诊信息

在决策阶段k开始时，输入当前获得的新数据，包括新确诊有症状的人数和检测确诊的无症状感染者人数，记为X^k，X^k：＝{X^i，k|i＝1，...，M}；

步骤2.2：更新可用资源信息

根据当前可用的医疗资源和疫情检测资源，更新决策模型约束；

(3)计算模块1：对当前不确定参数空间进行参数化表示

步骤3.1：参数抽样

利用拉丁超立方抽样方法，在当前不确定参数空间

中抽取N个向量；

步骤3.2：参数排序和选取

针对步骤3.1中抽取的参数向量θ，结合参数向量θ对新到达数据X^k的拟合效果估计值C_k(θ)进行升序排序，选取前N_A个元素，即拟合误差最小的前N_A个元素，形成参数集合Θ^k；

步骤3.3：计算参数的经验概率

基于C_k(θ)计算参数集合Θ^k中每一个元素θ∈Θ^k对应的经验概率p_k(θ)，拟合效果越好的参数可能是真实参数的概率越高；

(4)计算模块2：系统状态估计

将前一阶段的状态X^k-1、医疗资源分配决策u^k-1以及疫情检测决策ω^k-1作为初始输入，估计不同参数向量θ∈Θ^k下的系统状态，并基于概率分布{p_k(θ)|θ∈Θ^k}对所得结果求系统中不可观测的状态的期望，将系统中不可观测的状态的期望与新获得数据X^k合并，由此得到决策阶段k的系统状态估计

作为决策的初始条件；系统中不可观测的状态包括各个区域易感人群和康复人群的规模，以及未必检测区域的无症状感染人群规模；

(5)计算模块3：疫情检测和医疗资源分配联合决策优化决策建模及求解

基于随机规划和时域滚动优化方法，以最小化未来H_P阶段新增感染人数为目标，建立疫情检测和医疗资源分配联合决策模型；模型可以转化为确定性的非线性混合整数优化问题，并通过商用求解器进行求解，获得医疗资源分配决策u^k和疫情检测决策ω^k；

(6)决策输出模块：决策输出

将计算机模块3求解得到的医疗资源分配决策u^k和疫情检测决策ω^k转化为可读的形式(如，阶段k给每个地区分配的各类医疗资源的数量以及检测哪些区域)，为决策者提供决策支持；

(7)计算模块4：参数空间更新

针对参数集合Θ^k中元素的每个分量求对应的上界和下界，基于所得的上界和下界形成新的参数空间

并将

作为下一阶段计算模块1中的不确定参数空间，根据下一阶段新获得的数据进行参数化表示。

Images