苏强--同济大学--大数据驱动下的院前急救资源优化配置

法得到的结果不仅反映了当下急救需求的分布情况，也能够揭示未来 急救需求的发生规律。
2013年
2014年
42
高斯混合模型（GMM）聚类
0.参数初始化
μk0, Σk0, πk0, E0 1. Expectation过程 p(zk=1ǀxn), Nk 2. Maximization过程 μknew, Σknew, πknew, Enew 否 满足结束 条件？ 是 3. 结果输出
多时段救护车再布局及 其触发机制
多阶段调度
站点-患者-医院-站点 多阶段模型
27
大数据驱动下的院前急救资源优化配置
一．院前急救概述 二．院前急救大数据 三．相关研究综述 四．松江区急救资源优化配置 五．发展趋势与政策解读
2
上海市松江区急救系统
急救站：8个 救护车辆：26辆
救护医师：33人
区级医院：7个 专业卫生机构：8个 社区卫生中心：14个 社区卫生服务站：21个
现有分配 情况
2 1 1 2 2 1 3 1 2 2 2 1 2 3 2 1 2 1
优化后分配 情况
4 2 3 0 1 3 3 2 2 2 2 2 2 2 2 1 2 2
差值
2 1 2 -2 -1 2 0 1 0 0 0 1 0 -1 0 0 0 1
站点名称
新华 杨浦 市东 长海 保定 安图 八五 大华 市八 龙华 华东 武警 普陀 长宁 利群 江宁 新华
Double Coverage Rate(%) 93.60% 83.50%
Average Delayer Time (min) 4.83 4.74
Number of Sites 29 35
31
应用案例
站点名称
天山 长征 桃浦 闸北 岳阳 同济 十院 北站 市北 建工 大吉 黄浦 虹口 浦东 瑞金 市二 静安 四五五医
αij ： 0-1 决策变量，站点 j 是需求区域 i 的主站点则 αij = 1 ，否则 αij = 0； βij：0-1决策变量，站点j是需求区域i的备用站点则βij = 1，否则 βij = 0； xj：0-1变量，备选站点j被启用则xj = 1，否则xj = 0； K：需求区域的总数量； M：备选站点的总数量； W：启用的站点的集合； λi：需求区域i中产生的需求的数量，λi ~ N（μλi，σλi）； tij：站点j到需求区域i的时间； tsr：主站点到其服务的需求区域的理想行驶时间； ts1：主站点到其服务的需求区域需要满足的最大行驶时间； ts2：备用站点到其服务的需求区域需要满足的最大行驶时间
Knight et al., 以最大化抢救成功率为 目标，设计了针对不同 2012 病种患者的覆盖模型
考虑不同交通方式 并考虑多阶段问题
Cho et al., 2014
Alanis et al., 2013
对空中和陆上急救网点 进行设计优化，并考虑 了救护车和直升机将患 者送至医院的过程 应用二维马尔科夫链模 型解决救护车再布局问 题，并设计了相关的调 度规则
考虑救护车的可获得性，引入了救护车的繁忙概率q，最大化 期望覆盖水平
17
应用案例
63 急救车 83 需求点 35 急救站点
28
应用案例
-急救站年运营成本 -急救车年运营成本
-服务延误对患者造成的潜在损失成本
29
应用案例
-服务延误对患者造成的潜在损失成本 中心城区每年呼叫人口的百分比 需求点 人口数量 重症病人呼叫比例 普通病人呼叫比例 重症病人每分钟损失成本 普通病人每分钟损失成本 （3）仅被“大圈”覆盖 随急救网络布局改变 （1）被“小圈”覆盖两次或两次以上 =0 （2）被“小圈” 覆盖一次，被“大 圈”覆盖一次或以上
43
聚类结果
将松江区的急救需求聚类为如下30个需求区域：
每一种颜色的点代表同一区域的需求，黑色 ▲为聚类质心点
44
急救站点选址模型
考虑需求时空分布的随机性，设每个需求区域有一个主站和一个备用站 为其服务，以最小化启用站点数量为目标，建立规划模型：
. . . .
45
急救站点选址模型


80 60
需 求 数 量
40 20 0 1 61 121 181 241 301 361日
39
急救需求的时空特征

空间随机性
以往研究常用行政区域来划分急救需求，并将离散的需求集中于行政中 心或区域中心。 弊端： （1）一个行政区域的面积较大，空间分布随机性的影响更加显著； （2）很难在其中找出需求空间分布的规律。
第五届质量创新论坛，上海大学,2016
大数据驱动下的院前急救资源优化配置
苏 强 同济大学经济与管理学院 2016年12月2日
大数据驱动下的院前急救资源优化配置
一．院前急救概述 二．院前急救大数据 三．相关研究综述 四．松江区急救资源优化配置 五．发展趋势与政策解读
2
院前急救的重要性
院前急救：急救中心(站)受理急救呼叫后，派出救护车 将患者送达医疗机构之前，实施的现场抢救和转运途中 的紧急救治与监护。

以交通创伤为例


我国每年交通创伤死亡超 过10万人，占全球的15% ，居世界首位 我国交通事故死亡率是美 国的20倍
4
我国院前急救现状
急救资源配置
美国
日本
建立了急救、消防、警察三部门应急联动机制
构建了消防部门兼管的院前急救三级网络体系 急救人员要求：急救车随车医生均是九年医学博士， 急救车驾驶员能够协助能医生、护士工作。 调度指挥人员：分为接线员和调度医生。 以医疗机构为主体的立体院前急救网络体系
0 0 120 240 360 480 600 720 840 960 1080 1200 1320 1440 1560 1680 1800 1920
用时（秒）
38
急救需求的时空特征

时间随机性
现有研究往往假设急救需求在时间维度上是稳定的，从而用均值对随时间变化的 急救需求数量进行粗略描述。 对数据的统计分析发现，急救需求正态分布能够较好地描述急救需求在时间上的 随机性，周急救需求数量服从N（328,25.5），日急救需求数量服从N（48,8）
诊断建议
图片来源：Autonomy医 疗集团开发的CDS产品
12
大数据技术的实现
能够进行数据管理、分析，并整合地理信息 系统的信息管理平台
通过有效集成GIS、 GPS与GSM，实现120 急救指挥地理信息系 统，呼救者通过拨打 120急救电话和接线 员进行信息交流，系 统提供快速定位信息 ，为急救决策提供信 息服务。

急救站点动态再布局和救护车实时调度缺乏科学的触发准则 设计

大量的现实急救数据信息没有得到充分的挖掘和利用
26
在大数据支持下新的研究方向
院 前 急 救 网 络 设 计 与 优 化
规 划 层 面
站点选址
面向时空随机需求的院 前急救网络优化
救护车配置
考虑服务优先级的急救 车配置模型
运 营 层 面
分时布局
现有分配 优化后分 情况 配情况
2 1 2 1 2 3 3 2 2 2 1 3 3 1 2 1 1 2 3 0 2 3 0 3 2 3 2 0 0 2 0 1 2 1
差值
0 2 -2 1 1 -3 0 0 1 0 -1 -3 -1 -1 -1 1 0
院
32
应用案例
33
覆盖模型的拓展
研究视角 考虑不同患者类型 文献 主要内容
7
大数据驱动下的院前急救资源优化配置
一．院前急救概述 二．院前急救大数据 三．相关研究综述 四．松江区急救资源优化配置 五．发展趋势与政策解读
9
院前急救中的大数据
阶段 数据来源 呼叫数据 事故数据 患者信息 病史数据 车辆数据 人员信息 现场信息
体征监护数据 附近医院信息 交通路况信息 转运路线决策
0
36
急救数据统计
2500
2000
1500
1000
500
0
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19Biblioteka Baidu
20
21
22
23
一天24小时急救需求变化情况
37
急救数据统计
救护车到达急救现场的时间（Gamma分布）
800
600
12 GMMA 217, 3.13
出车次数
400
200
法国 德国 中国
急救模式单一，机构之间缺乏协调； 急救车驾驶员性质单一，缺乏配合； 调度人员只管派车，缺乏急救指导。
6
我国院前急救现状
急救技能培训
新加坡 1:5 悉尼 1:20 北京 1:500
《上海市急救医疗服务条例》要 求：通过报刊、电视、广播、网 络等媒体开展急救医疗服务的公 益宣传，倡导自救互救的理念， 普及急救知识和技能。
一．院前急救概述 二．院前急救大数据 三．相关研究综述 四．松江区急救资源优化配置 五．发展趋势与政策解读
24
研究现状

急救站点选址与救护车配置模型
模型 概念 文献 LSCP (Toregas et al., 1971); MCLP (Church and ReVelle, 1974); MEXCLP (Daskin, 1983) DSM (Gendreau et al., 1997); Hakimi, 1964 Hakimi, 1964
10
急救呼叫
搜救环节
转运环节
大数据技术的实现
具有呼救、定位及信息共享的可穿戴设备
通过可穿戴设备，获得人员的生理数据和报警信号。 其核心技术是传感器技术。
11
大数据技术的实现
支持现场急救的患者临床诊断支持表
在急救过程中提供伤患者完整的临床信息，提高救援效率， 避免医疗失误。
个人信息 病种类别 患者状态
30
应用案例
研究发现，选择合理的站点并调整车辆分配能够优化对需 求点的覆盖，减少非必要站点的运营，在现有资源限制下 的改进方案显示，新方案可使目标成本下降8.5%，双覆盖 率提升10.1%，而站点数量由35个站点减少至29个
Total Cost (RMB)
Optimized Original 88628700 96817000
29 29
2013年急救任务统计
2013年松江区 院前急救
呼叫：32987次 出车： 31982次 救治：26379人次
创伤患者占：46%
市一占约：50%
32
32
2013年急救任务统计
................ ……………..
18
急救数据空间分布
2013年松江区急救需求点地理空间分布图
需求地理 位置的随 机性
Wei, 2016
对集中的需求点进行近 似离散化处理，从而实 现对需求空间随机性的 粗略描述
25
研究不足

大多数研究未考虑救护车真实繁忙率，导致救护车配置数量
不足，常常会产生“伪覆盖”问题或者“大量冗余”

通常不考虑需求的空间分布，将急救需求简化为若干个集中
需求点

主要考虑“急救站→患者处”阶段，忽略“患者处→医院” 和“医院→急救站”的阶段
站点
40
急救需求空间分布的刻画——GMM
高斯混合模型：
p x 1 k x k , k
K
41
应用高斯混合模型聚类的合理性

任何复杂的分布形式都可以用多个高斯分布的混合来近似
（McLachlan and Peel, 2000）

急救需求的空间分布具有一定的稳定性，应用高斯混合模型聚类方
图片来源：http://www.supermap.com.cn/gis/html/cityview_76.html
13
大数据技术的实现
能够建立现场通讯与视频共享的设备
其功能主要是实现语音通讯与现场视频共享，作为辅助诊 断支持手段，同时全程视频录像减少医疗纠纷。
14
大数据驱动下的院前急救资源优化配置
事故现场 医疗机构
急救站
是由政府主办的非营利性公益事业，是卫生事业的重要组 成部分，也是一个国家文明发达程度的重要标志。
3
院前急救的时间紧迫性
美国 日本 德国 中国
5分钟内 8分钟内 7分钟内 12~18分钟
4
8
我国院前急救现状
中国每年有超过100万人因各种意 外伤害死亡。由于民众急救知识普 及率非常低，其中70％的患者在病 发后的“黄金时间”内得到不到有 效救助而死在了医院外。
覆盖模型*
对预先设定的标准半径 进行覆盖
P—中位问题 P—中心问题
最小化到所有需求点的 总（平均）服务距离 最小化到所有需求点的 最大服务距离
25
研究现状

双覆盖模型
使用半径不同的两个圈，使得每一个需求点都能够至少被“大圈”覆盖 一次，同时最大化被“小圈” 覆盖两次的需求点数量。
16
研究现状

最大期望覆盖选址问题（MEXCLP）
34
急救数据空间分布
2013年松江区急救需求数量空间分布图
20
急救数据统计
3000
出车次数
2000 1000 0 1 120 90 60 30 2 3 4
每月出车次数统计
5
6
7
8
9
10
11
12
出车次数
每天出车次数统计
1 31 61 91 121 151 181 211 241 271 301 331 361
24
考虑急救站点再布 局
覆盖模型的拓展
研究视角 考 虑 随 机 因 素 的 影 响 需求数量 的随机性 文献 主要内容
Beraldi and Bruni, 应用鲁棒优化方法解决 需求数量随机情况下的 2009 救护站点选址问题
Budge et al., 2010; 通过刻画行驶时间和距 行驶时间 离之间的关系，描述救 Berman et al., 的随机性 护车行驶时间的不确定 2013 性