案例分享 | @RISK在医疗行业的应用案例

一场严重的流感可能会使医院不堪重负，并且缺乏解释规划要素之间动态相互关系的规划指导。为了满足这一需求，一个由六位来自各个领域的*组成的跨学科团队开发了一种使用@RISK和Panálysis模型的方法，该方法基于医院的运营考虑来计算大规模流行时期的供应需求。然后，他们对Mayo Clinic Hospital - Rochester, MN的方法进行测试，以评估其应对大规模流行病的准备情况。他们的研究结果已经发表在《美国感染控制杂志》（AJIC）上。

尽管Monte Carlo模拟无法确定较佳策略，但它可以让决策者了解潜在结果的范围以及它们根据不同的假设会如何变化，并可以就不确定性和用户的风险承受能力做出决策。

---Mark Abramovich 跨学科解决方案*

研究背景

研究团队：Interdisciplinary Solutions，LLC的MBA校长Mark Abramovich与以医学博士Eric Toner博士和医学博士Amesh Adalja为代表的约翰霍普金斯大学健康安全中心（JHSPH）共同组成了一个工作组。梅奥医学中心的临床和业务连续性管理主任，梅奥医学中心的传染病*Pritish Tosh博士和MSHS的Byron Callies也一起组成了梅奥医学中心的工作组。宾夕法尼亚大学沃顿商学院博士John C. Hershey主要负责运营部门的工作。

面临挑战：由于缺乏足够具体的规划指导，医院大流行病防范工作受到阻碍。在很大程度上来说，这是因为医院之间以及各种大规模流行病情况之间的差异使得难以提供一种可以广泛适用于所有医院的有用指南。医院大流行规划和卫生保健激增能力中需要考虑的因素已经得到了很好的描述，但必须考虑到这些因素之间复杂而动态的相互关系。我们已经开发了几种基于计算机的决策工具来解决此问题，但这些工具是有限的，特别是在处理医院大流行规划中固有的许多不确定性和应对活动的业务相互依赖性方面。例如，更换病床或呼吸机的容量会影响人员配置、供应和药品需求，反之亦然。以前的模型还没有充分考虑到操作瓶颈和困难，例如急诊部门的吞吐量和动态的人员配备模式。

收集大规模流行疾病的数据

为了解决此问题，Abramovich决定通过@RISK来进行Monte Carlo模拟。首先，通过Toner博士和Adalja博士，他收集了当地部分严重流感中一部分流行病学变量（例如，临床发作率、住院率、按病种划分的住院时间、需要机械通气的百分比和病死率）。美国的这项数据是通过对项目组的文献资料和/或*共识确定的（表1）。

接下来，在对数据建模时，Abramovich使用了1918年英国伦敦*二次流感大流行的流行病学曲线图。他说：“之所以选择它，是因为它是我们可以找到的较相似的历史案列，并且与其他流感大流行建模工作中使用的流行病学曲线相一致。”

Mayo诊所提供了由拜伦·卡里斯（Byron Callies）协调的途经地区的人口数据。“我们假设梅奥医学中心将为其整个覆盖的地理范围的人口提供医疗服务，” Abramovich解释说。 “年龄分布是通过美国人口普查数据确定的。”

Abramovich使用病死率（CFR）作为严重程度的代表，使用三种不同的CFR探索各种短缺的影响：

在医院外死亡的患者的病死率

非重症监护病房（ICU）病床上的CFR，以及

ICU患者和呼吸机患者的CFR

这些CFR值由Toner博士和Adalja博士制定并进行标准化，以使其总体等于预期的基于人口的CFR 0.93％±0.23％。Toner博士说：“为确定该值，我们估计，如果现在发生的流感与1918年一样严重，那么病死率将从历史的2.5％降低到0.93％。”

此外，研究小组对梅奥医学中心进行了调查，以确定在流感大流行期间大致可用的病床，呼吸机和麻醉机的数量。然后，Toner博士、Adlaja博士和Tosh博士确定了大流行期间必需的关键药品和用品。

所有这些重要数据都用于在@RISK上运行10,000个Monte Carlo模拟，使用变量的各种组合来确定各种场景下的资源需求。

为了测试在流感大流行期间梅奥医学中心的病床和呼吸机容量，研究人员还模拟了限制病床但不限制呼吸机的场景，反之亦然。Abramovich说：“基于这些结果，我们确定了梅奥医学中心有足够病床但没有足够的呼吸机，有呼吸机但没有病床以及两者都有足够数量的方案的百分比。”

库存量：节约是关键

@RISK完成的10,000次迭代中，有1,315次属于Abramovich的仿真设计和逻辑约束所定义的参数。通过这些有效的迭代，他按百分比预测了严重的大流行性疾病所需的关键用品，药品和个人防护设备的用品需求。

例如，图1显示了四个关键资源的模型输出：奥司他韦、呼吸机线路、N95呼吸器（遵循州使用指南）和手套。这些累积概率图显示了在包含的场景迭代的分布中所需的每个资源的单元数（对于奥司他韦，它显示了**过程的数量）。

Toner博士说：“从我们的结果来看，很明显，所有资源的较大**都是有一定的储备，即使相对来说是适度的。”例如，图表显示4998个疗程的奥司他韦足以应付95%的情况，大约4000个疗程足以应付88%的情况。Toner博士还说到：“可以看到，增加的1000个疗程所获得的收益相对较少。” “另一方面，在一半的情况下只需要2200个疗程。”

@RISK的Monte Carlo模拟有助于改善医院的物资准备

Abramovich说到“尽管Monte Carlo模拟无法识别出较佳策略，但它使决策者能够了解潜在结果的范围以及它们根据不同的假设如何变化，并可以就不确定性和用户的风险承受能力来做出决策。”通过这种方法，他和他的团队预测了一系列场景的供应需求，这些场景使用了梅奥诊所医院**的床位和呼吸机。结果表明，储存在范围较高一侧的患者护理福利正在减少，但拥有一些关键资源储备（即使相对来说不多）是较重要的。

Abramovich向梅奥医学中心的管理人员介绍了模型输出的范围，以考虑医院的库存需求。 “Panálysis模型与@RISK结合使用，使用户能够看到一种资源的库存需求与另一种资源的需求之间的关系，能够根据不断变化的假设或证据轻松地重新计算需求，并能够识别业务瓶颈，测试不同的应对策略。”Abramovich说：“我们能够显示在一系列场景中需要不同供应水平的可能性这是一个可以用来模拟许多其他医院准备问题的工具。”梅奥医学中心的Callies说：“这种建模方法为我们的灾害储备需求提供了明智的决策依据。因此，通过根据建模结果和组织的风险承受能力建立一个共同的备灾水平，我们能够协调和改进多个职能小组的备灾工作，同时成为组织资源的良好管理者。”

北京天演融智软件有限公司（科学软件网）是Palisade公司在中国的授权经销商，为中国的用户提供优质的软件销售和培训服务。