摘要:
将一块区域等分网格化或等分蜂窝格化通常是院前急救资源(如急救站点、急救车辆)分布分配的模型基础,即院前均匀化模型。迄今为止,依据均匀化模型实现急救资源覆盖仍是对院前问题认识的基本思想基础。主要以深圳市宝安人民医院院前科为观察对象,通过院前急救空间大数据分析,提出了院前急救3个空间数据特征,即:非均匀特征、相对稳定特征、个体差异特征,为重新认识院前急救、更好地把握院前急救提供了新方法和新的决策依据。重点基于院前非均匀相对稳定特征提出了一种院前非均匀相对稳定模型的建模方法,并应用规划数学探讨了院前医院站点优化计算分布。
0引言
院前急救涉及广阔院前区域,到目前为止,对于院前急救的空间数据特征研究基本处于空白,这一状况与院前急救事业的高速发展是不相匹配的。实际上,不仅仅需要掌握院前急救出车量数据,更需要了解其院前急救首次医护接触(First Medicine Contact,FMC)空间区域分布状况,从而更全面揭示院前工作特性。
1空间大数据的获取
院前急救涵盖发病现场初级救助(BLS)以及急救车到达后FMC所提供的高级救助(ALS)。就急救车而言,在大急诊急救体系内急救车可以理解为急诊部门前出医疗单元,它包含众多变量如医护人员状态信息、患者信息、医疗设备信息、车辆环境信息等,所有这些变量可以归纳为三大变量,即人、物、车,分别用X1、X2、X3代表[5-6]。通过车载智能传感器,实现对急救车辆智能化轻改造,即能获得变量组[X1,X2,X3],经移动互联网(4G)传至云端计算服务器,形成物联网络,云端服务器依据人工智能神经元模型对各个变量分别进行滤波和加权计算,同时将医疗设备数据实时转发至急诊部门。本系统架构如图1所示。
在这样的云计算架构体系上,普通急救车辆已成为云支撑的智能车,自动实现急救出车时间数据记录(如FMC2D时间等),自动跟踪车辆运行环境状态,实时传输车上病患体征数据,实时传输车上视频影像和问诊语音信息等,此架构模式也为急救车智能化进一步发展(如智能循迹行驶、智能行驶等应用)奠定了基础。图2所示是急救出车救治链时间节点识别记录截图示意,这些院前数据为管理院前过程、提高急救临床预后效果提供了相关评价依据。
本计算系统采用B/S架构,与各级医院和急救中心以及个人用户应用连接十分便利,实现资源共享,有利于大急诊急救体系低成本建设扩展。
本文重点关注院前FMC时间和FMC空间位置分布数据叠加,通过对这些数据的观察,实现对院前急救空间数据特征进行研究的目的。
2院前急救FMC热域色谱图分析
基于急救车智能化轻改造并联网云计算应用,通过FMC空间数据分布积累,可实现基于电子地理信息系统GIS的FMC热域色谱图。图3所示为深圳宝安区人民医院急诊医学部院前科急救出车数据热域色谱图。
从图3院前FMC热域色谱图上看,宝安医院急救热域集中偏重在第二、三象限。
图4所示是另一急救单位连续两个月时间段急救FMC热域色谱分布图,很明显这家单位院前急救热域则较为偏重集中于第一象限。
从以上观察可知,FMC急救热域分布并不是均匀的,一个地域的院前急救需求随这个地域的社会属性分布不同而不同,具有冷热不均的区域特征,图5是基于热域图上的区域网格化示意图,很明显,每个网格内的急救冷热程度差距明显。
可以借助于精准医疗的“基因组学”数据概念来解释这一现象。组学数据概念在院前急救空间数据的研究中转变为城市区域功能和人口分布特征,也就是说区域功能(行政功能、产业功能等)及人口分布与其对应的院前急救资源需求是不同的,由此而产生出急救热域色谱分布的非均匀特征,即不同区域具有不同的宏观“习惯”行为,从而形成一个城市独特的院前个性化宏观“组学基因”数据特征[9-10]。
综上分析,可以得出院前急救小样本研究的3个数据特征如下:
(1)非均匀性特征:一定范围内院前急救是空间非均匀分布过程;
(2)相对稳定特征:院前急救在某些区域的发生概率是相对稳定的。这个现象将为定量分析区域急救需求提供数据依据;
(3)个体差异特征:不同医院(站点)其热域分布是不相同的。
上述3个特征为今后重新认识院前急救、更准确地把握院前急救决策模式提供了一定的基础素材,同时也提出了一个对于院前急救观察的全新角度。本文重点将对非均匀相对稳定特征的应用举例描述。
在图3中还发现,箭头所指圈出区域是针对宝安公园发生的急救FMC现场点,它们有序地分布在公园门口区域,这一现象提醒人们公共场合急救资源投放(如AED设备的设置)应当尽可能重点布置于类似大门口等特别显著的公共区域,如图6所示,而不应均匀分布于公共场合内。
3院前急救非均匀相对稳定模型应用研究
按区域均匀分布院前急救资源是院前工作习惯为常的常规决策方法,包括急救站点的均匀分布、急救车辆和人员及物资分配等。然而实际情况是“平均”的院前工作决策模式常常使得院前急救资源处于“供不应求”或者“供大于求”的尴尬境地,在这种情况下不断加大投入实际上是很难解决这个问题的,甚至相反会带来更大的浪费。这就提出了差异化院前急救模式问题,以及解决差异化问题的方法。
院前非均匀相对稳定分布特征给考虑差异化院前急救问题提供了数据基础,使得可以根据区域分布的冷热差异化状况区别对待,即根据不同区域的不同“热量”定量计算各区域急救需求“强度”。同时,也可以定量分析各急救需求区域“重心”点,量化区域院前急救的“需求分布”。下面以两例具体应用说明院前急救数据特征的实际用途。
(1)高效建立宝安区网格化初级救护员队伍
为了实现对危急重症患者(如心搏骤停患者)提供早期心肺复苏,深圳市宝安区开始筹建一支具有初级救护技能的社会队伍,这支队伍以现有网格化区域管理员为基础,通过展开心肺复苏技能培训,实现在宝安区内初级救护员队伍的覆盖。这里的问题是如何高效快速地建立起这支队伍,使之发挥应有的作用。如果按照原有均匀网格分布模型方法从上至下、从左至右地展开培训工作,可想而知,这样做的结果是投入较大的工作量却只能取得一个低速、低效率的推进结果,事倍功半。
这里应用区域内非均匀相对稳定模型来快速解决覆盖问题则能起到立竿见影的效果。以宝安医院院前热域图为例,如图7所示,如果优先对热域网格人员组织培训,则可在相对短时间内达到快速覆盖区域急救需求80%以上区域,见图7粗线网格域。因此,这样基于空间大数据决策的工作方法,其工作效率将大大提高,事半功倍!
(2)最优急救医院站点部署规划
这里仅从最优化的角度观察区域急救需求与急救资源的匹配关系。如图8所示,首先将急救热域区块化,以区块重心点为中心即可得如图9所示院前非均匀模型,图中Sj(j=1,2,…,10)代表急救热域区块中心点。图10是该区域内所有医院相对于急救热域的空间分布状况,hi(i=1,2,…,12)表示急救区域内分布的医院站点,显示出院前急救需求与供给对应关系。
为实现最优效率供给覆盖,即如何使用最少医院站点满足急救覆盖需求。这里设1-0变量xij=[1,0](当hi承担Sj区域急救时为1,反之为0),则按图10供给系统总体最小距离成本Z的数学模型为:
式中,i=1,…,12;j=1,…,10;Cij为医院相对急救点分布距离值。
这里不对式(1)具体求解过程进行繁琐描述,仅给出依据图10系统问题在最短总距离原则下最优规划医院站点分布解为H=[h2,h5,h6,h11],见图11。由图11可知,在图10中的12家医院中选取如图11的4家医院即可实现图8区域的急救需求覆盖。根据每个点Sj的“热量”可以进一步给出各家医院所应承担的任务量,根据任务量又可以定量计划具体装备车辆、具体设备及药品量分配[9-10]。上述这一优化计算过程简要说明了基于院前非均匀相对稳定特征模型的最优急救医疗资源的规划匹配计算。值得注意的是,从目前我国急诊学科建设的角度看,将有限的资源集中在几个重点医院部门更有利于突出样板建设效果,以点带面推动整个地区急救急诊水平发展。将规划数学方法应用于差异化院前急救可以形成一套新的院前急救方法论体系,从而促进大急诊急救理论体系进步发展。
需要说明的是,根据图5观察的院前色谱云图其边缘分布实际在一段时期会发生改变,因此最优院前资源分配决策也需要对应随之而变,差异化院前急救模式是需求与供给优化匹配的动态过程,也是计算服务系统不断迭代计算的辅助决策过程。
4结论
本文针对深圳宝安人民医院院前模型在差异化院前急救方面进行了研究探讨,抛砖引玉,不足之处在所难免。正如大家所知,“院前”是一个复杂领域,还需要更多深入工作,发现其规律,为实际工作提供更多理论依据。期待与急诊急救广大同仁展开更多合作,推动我国院前工作进一步提高发展。
-
云计算
+关注
关注
39文章
7726浏览量
137181 -
大数据
+关注
关注
64文章
8862浏览量
137278
原文标题:【学术论文】基于空间大数据的院前急救非均匀相对稳定模型
文章出处:【微信号:ChinaAET,微信公众号:电子技术应用ChinaAET】欢迎添加关注!文章转载请注明出处。
发布评论请先 登录
相关推荐
评论