面向重大突發(fā)疫情患者收治的仿真系統(tǒng)研究

摘" 要：重大突發(fā)疫情領域的仿真系統(tǒng)主要是為重大突發(fā)疫情事件的發(fā)生提供預演，為重大突發(fā)疫情事件的應急處置提供指導。該課題以新冠疫情為典型事例，對重大突發(fā)疫情傷病員發(fā)送、患者收治分診、患者癥狀轉換的仿真建模進行研究。結合典型傳染病傳播模型，設計并實現(xiàn)了一種包含突發(fā)疫情患者發(fā)生模擬、患者收治分診模擬、患者癥狀轉換模擬的仿真引擎系統(tǒng)。通過動態(tài)設置模型參數(shù)適應不同場景（不同疫情、地區(qū)、政策等）的疫情仿真。

關鍵詞：仿真引擎；動態(tài)參數(shù)修改；重大突發(fā)疫情；患者收治

中圖分類號：TP311" " 文獻標識碼：A" 文章編號：2096-4706（2024）10-0172-06

Research on Simulation System for the Admission Triage of

Major Outbreak Epidemic Patients

SUN Shun1， LI Xuesi1， XU Weitong1， MO Changfu2， ZHANG Xiaoxiao3

（1.Information Center of the Logistics Support Department of the Military Commission， Beijing" 100842， China; 2.The 52nd Research Institute of CETC， Hangzhou" 311100， China; 3.Information Department of the Medical Support Center of the Chinese People’s Liberation Army General Hospital， Beijing" 100039， China）

Abstract： The simulation system in the field of major outbreak epidemic mainly provides rehearsals for the occurrence of major outbreak epidemic events and guidance for emergency response to major outbreak epidemic events. This topic takes the COVID-19 as a typical case to study the simulation modeling of the sending of major outbreak epidemic patients， patient admission triage， and the patient symptom conversion. A simulation engine system is designed and implemented based on typical infectious disease transmission models， which includes simulation of the appearance of outbreak epidemic patients， patient admission triage simulation， and patient symptom conversion simulation. It adapts epidemic simulation to different scenarios （such as different epidemics， regions， policies， etc.） by dynamically setting model parameters.

Keywords： simulation engine; dynamic parameter modification; major outbreak epidemic; patient admission triage

0" 引" 言

近年來，由于重大突發(fā)疫情的影響導致社會面公共安全或健康的突發(fā)事件時有發(fā)生。重大突發(fā)疫情造成生命財產安全和連帶影響不確定性高。面對重大突發(fā)疫情，需要確保有足夠的醫(yī)療力量和醫(yī)療物資應對患者的救助工作，有效減少突發(fā)事件下的人員傷亡和物資損失。如何進行科學、快速地模擬傷病員的發(fā)展態(tài)勢，這是一個亟待解決的問題，而基于GIS的重大突發(fā)疫情仿真系統(tǒng)對解決這一問題有重大指導意義。本文主要研究傳染病疫情的模擬仿真，以新冠疫情為典型，對醫(yī)療力量可視化構建患者生成、患者收治分診、患者癥狀轉換等進行研究。考慮到新冠疫情的現(xiàn)實狀況，具有較強的參考意義。

1" 相關研究

目前已有很多專業(yè)化的仿真實驗系統(tǒng)，其中大多是基于特定領域的仿真模型。在軍事應用領域，以美國為代表的西方國家研制出了SPEEDES、WarpIV、GTW等仿真引擎，支撐各類作戰(zhàn)仿真系統(tǒng)的開發(fā)與應用[1]。中船716所的體系建模與仿真平臺（MARS）也將仿真模型作為核心內容并進行了算法修改和模型參數(shù)調整，有效提高了仿真事件調度與執(zhí)行效率。但是當前研究的仿真系統(tǒng)主要面向單個條件下的特定領域運行，可擴展性不高，難以適應多種條件下重大突發(fā)疫情事件的仿真。本研究的仿真系統(tǒng)基于GIS平臺，結合多種仿真要素，借鑒模型組合動態(tài)可編輯思路，并實現(xiàn)了模型動態(tài)編輯方式[2]，應對多種條件下的仿真。在仿真過程推演中實現(xiàn)醫(yī)療力量可視化構建、患者生成、患者收治分診、患者癥狀轉換的模擬。

目前對患者癥狀之間的轉換模型研究相對較少。根據(jù)新型冠狀病毒感染診療方案（第9版），新冠患者的癥狀被劃分四種癥狀：輕型、普通型、重型、危重型[3]。但在大多數(shù)的患者統(tǒng)計報道中，患者癥狀還包括無癥狀感染者。對于患者的處置，首先通過將患者分為輕癥和重癥。輕癥病員優(yōu)先送往有空余床位且最近的方艙醫(yī)院。若無可收治的方艙醫(yī)院，則輕癥病員將直接就近送往有收治能力的定點醫(yī)院。而重癥病員則直接就近送往有收治能力的定點醫(yī)院[4]。西安交通大學學報（醫(yī)學版）中對一批新冠患者的死亡時間以及治愈時間做過統(tǒng)計和分析。指出新冠患者的死亡時間和治愈時間均符合正偏態(tài)分布。

其中從發(fā)病到死亡的時間最短4天，最長50天，均數(shù)±標準差為（16.7±9.2）天，中位數(shù)14天，95%置信區(qū)間（4.6，42.9）[5]。發(fā)病到住院確診接受治療平均需要4天，治愈時間曲線屬偏態(tài)分布，偏度為1.09，治愈時間均值為（14.6±6.7）天，中位數(shù)為13天，95%的置信區(qū)間為（6.9，21.0）。以上的研究對本次仿真系統(tǒng)的設計提供了癥狀轉換模型的設計思路。

2" 重大突發(fā)疫情患者處置建模研究

本文首先以新冠疫情為典型對重大突發(fā)疫情患者處置流程進行研究。對患者收治分診模型和患者癥狀模型進行建模設計。

2.1" 患者收治分診模型

患者收治流程首先將患者分為輕癥和重癥。輕癥病員優(yōu)先送往有空余床位且最近的方艙醫(yī)院。若無可收治的方艙醫(yī)院，則輕癥病員將直接就近送往有收治能力的定點醫(yī)院。而重癥病員則直接就近送往有收治能力的定點醫(yī)院。方艙醫(yī)院的病員，經(jīng)過一定時間的治療，會治愈出院或者因病情加重從而轉運至就近定點醫(yī)院。定點醫(yī)院的病員，經(jīng)過一定時間的治療后，會康復出院或者死亡?；颊呤罩文Ｐ偷牧鞒倘鐖D1所示。

2.2" 患者癥狀轉換模型設計

新冠疫情是近年來發(fā)生的規(guī)模最大、影響力最強、最具代表性的突發(fā)疫情。本課題以新冠患者為典型，對患者癥狀轉換模型和癥狀轉換概率進行研究。

2.2.1" 癥狀轉換模型

依據(jù)武漢和上海等地的患者處置方式，輕型、無癥狀收治到方艙醫(yī)院，普通型、重型收治到定點醫(yī)院，重型則需要特殊病房[6]。本文根據(jù)新冠患者的收治方式將其分為輕型（輕型、無癥狀感染者）、普通型、重型（重型、危重型）三種類型。其癥狀間的轉換關系如圖2所示，P1為治愈的概率，P2為癥狀加重概率。其含義如下：在仿真運算中，設某一癥狀的患者數(shù)量N，則在按照比例，隨機選取其中的N×P2數(shù)量的患者必然出現(xiàn)癥狀加重，N×P1數(shù)量的患者癥狀不加重且被治愈。其中癥狀加重或治愈的時間，滿足一定的概率密度分布[7]，如圖2所示。

每個癥狀階段的癥狀轉換有如下參數(shù)：

1）診療周期——該癥狀出現(xiàn)到治療結束的期望天數(shù)：T1。

2）癥狀加重周期——出現(xiàn)癥狀加重的期望天數(shù)：T2。

3）癥狀繼續(xù)加重概率總概率：P2。

4）癥狀被治愈概率總概率：P1 = 1 - P2。

2.2.2" 癥狀轉換概率

當前對新冠各個癥狀加重的概率學研究較少。但患者從感染到死亡都經(jīng)過：輕→普通→重→死亡的完整過程。我們將患者發(fā)病到死亡的時間視為一個周期。則整個死亡周期符合正偏態(tài)分布。為了近似的模擬每個周期的轉換，且保證所有階段的轉換概率疊加后仍符合完整的周期分布，可將其中三個癥狀加重階段均視為符合死亡時間的概率分布規(guī)律。同理當前并無對各個癥狀出現(xiàn)到治愈的概率學研究。我們將患者出現(xiàn)癥狀到治愈的時間視為一個周期[8]。則整個治療周期符合正偏態(tài)分布。為了近似的模擬每個癥狀的治愈，且保證所有癥狀的治愈概率疊加后仍符合完整的周期分布，可將其中三個癥狀治愈時間分布均視為符合總治愈時間的概率分布規(guī)律：

1）患者死亡時間分布及治愈時間分布。根據(jù)西安交通大學學報對一批新冠患者的死亡時間以及治愈時間的統(tǒng)計和分析。得出新冠患者的死亡時間和治愈時間均符合正偏態(tài)分布。

死亡時間（患者發(fā)病到死亡時間）分布，均數(shù)±標準差為（16.7±9.2）天，中位數(shù)14天，95%置信區(qū)間（4.6，42.9）天。

患者發(fā)病到治愈時間，均數(shù)±標準差為18.6±6.7天（包括4天平均確診時間），中位數(shù)17天，95%置信區(qū)間（10.9，25）。

因偏態(tài)分布的概率精確運算相對復雜。而仿真過程并不關注具體每一個患者的癥狀，而是關注患者癥狀的宏觀情況，因此本課題僅對概率分布做近似處理。通過新冠患者死亡分布圖、新冠患者治愈分布圖曲線進行線性化，要求概率分布于均值兩側，總概率為1。患者分布概率密度曲線可線性化，近似如圖3、圖4中紅色虛線。經(jīng)過圖形繪制和計算得出近似的時間線性分布模型。

2）癥狀加重概率密度近似模型。根據(jù)患者死亡時間分布得到患者死亡概率密度近似模型：

對P求積分得概率累積：

設死亡周期為T0，則上述拐點為T0，死亡時間分布0.3T0—1.7T0，如圖5所示。

死亡概率密度模型可視為多段癥狀加重的周期疊加，設癥狀加重周期為T，概率分布中值為T，峰值概率密度Ptop = 1 / （0.7T），函數(shù)斜率a = Ptop / （0.7T） = 1 / （0.7T）2；得出概率累積：

得出：

3）患者治愈概率密度近似模型。參照患者死亡概率模型設近似思想。設患者治愈的周期為T。

經(jīng)過線性化，如圖6所示，概率分布中值為T，峰值概率密度Ptop = 1 / （0.5T），函數(shù)斜率a = Ptop / （0.5T） = 1 / （0.5T）2。得出概率累積：

得出：

3" 重大突發(fā)疫情仿真引擎設計

3.1" 仿真引擎體系結構設計

仿真系統(tǒng)加載所選區(qū)域的醫(yī)護人員信息、醫(yī)院信息和藥品供應站等信息作為仿真的初始對象數(shù)據(jù)，通過預置的仿真運算模型，推演傷病員患者發(fā)生、收治和轉運等場景，并支持通過執(zhí)行防疫政策等方式實現(xiàn)疫情的盡快收斂、使得患者被充分收治。如圖7所示，仿真系統(tǒng)主要包括態(tài)勢數(shù)據(jù)可視化、系統(tǒng)業(yè)務操作、仿真過程管理、系統(tǒng)控制中心、模型運算中心等模塊。系統(tǒng)核心是仿真模型運算中心，模型運算中心包括患者收治分診、患者癥狀轉換和患者發(fā)生等模型。

3.1.1" 仿真要素配置

仿真要素配置包含如名稱、說明、仿真時間、城市、類型等基本信息。可配置類型關聯(lián)的傷病員產生模型。傷病員產生模型的參數(shù)，將影響仿真系統(tǒng)的運算。

3.1.2" 仿真交互

1）系統(tǒng)業(yè)務操作。仿真過程中可以執(zhí)行政策（封城、分級隔離等）操作，改變傷病員產生的趨勢。防疫政策可以改變傷病員/患者發(fā)生模型的模型系數(shù)，改變傷病員產生趨勢。

2）數(shù)據(jù)可視化?；贕IS界面展示仿真對象模型，模型包括醫(yī)院設施、藥品供應站、傷病員等對象。以報表的形式展示統(tǒng)計數(shù)據(jù)。以曲線和圖表的形式展現(xiàn)仿真過程中的走勢變化及統(tǒng)計情況，包括患者統(tǒng)計、患者收治統(tǒng)計等。

3）仿真模型運算中心。模型運算中心主要用于推演患者的收治、轉運、和癥狀改變等基本邏輯。

4）仿真運行緩存。運行緩存單元實時保存仿真過程的當前數(shù)據(jù)，包括仿真區(qū)域，仿真設施對象、態(tài)勢統(tǒng)計、傷病員等數(shù)據(jù)。系統(tǒng)運算中心實時刷新運行緩存數(shù)據(jù)。

5）仿真參數(shù)設置。仿真參數(shù)設置單元可以對仿真模型進行動態(tài)參數(shù)賦值，如修改傳播系數(shù)、易感人群數(shù)等參數(shù)。達到靈活配置模型參數(shù)的效果。

3.1.3" 仿真報告

仿真任務結束后支持生成仿真報告信息。仿真報告包含仿真事件初始信息、患者發(fā)生統(tǒng)計、患者救護信息、事件結果輸出（治療時間、最終病例數(shù)、治療情況和物資消耗數(shù)等）等。

3.2" 模型參數(shù)動態(tài)設置

面向疫情仿真的場景比較復雜，參數(shù)靈活多變。不同城市、不同季節(jié)、不同爆發(fā)階段、不同毒株，甚至不同傳染病類型，傳染病的診療周期、死亡率、治愈率都可能發(fā)生變化[9]。本仿真系統(tǒng)設計了一種支持靈活配置模型參數(shù)的思想。每次仿真開始前，選擇不同的參數(shù)配置模型。則仿真運行開始階段，系統(tǒng)加載最新的模型參數(shù)，重新對患者轉換模型的相關系數(shù)進行初始化。針對新冠疫情的仿真，支持動態(tài)配置的參數(shù)如表1所示。

4" 仿真系統(tǒng)應用

基于上述研究，本課題結合武漢新冠疫情事件的一些參數(shù)進行模擬仿真。以武漢城市地區(qū)的醫(yī)院的醫(yī)療力量以及用戶設定的初始傷病員數(shù)量作為仿真初始數(shù)據(jù)。基于預設的運算模型，計算推演傷病員和人力物資的數(shù)據(jù)隨時間的變化，仿真過程及結果基于GIS地圖進行可視化展示。仿真系統(tǒng)支持模擬應急事件中的發(fā)展走勢、傷病員的發(fā)生以及模擬政策實施對態(tài)勢發(fā)展的影響。

4.1" 仿真參數(shù)設置

4.1.1" 基本參數(shù)設置

名稱：新冠疫情；類型：公共衛(wèi)生事件；城市：武漢市；初始病例：27；開始時間：2020-01-01；封城時間：2020-01-24。

4.1.2" 動態(tài)模型參數(shù)設置

新冠疫情診療周期和死亡率等信息各方統(tǒng)計存在一定差異。結合新冠診療方案及多個醫(yī)學雜志的統(tǒng)計，本文擬定仿真參數(shù)值，如表2所示。

4.2" 仿真結果展示

4.2.1" 仿真過程演示

生成的患者按照收治分診流程被醫(yī)院收治。仿真系統(tǒng)中能實時展示各醫(yī)院的收治患者情況和醫(yī)院床位的使用情況。在1月24日執(zhí)行封城措施，在1月26號以后，患者增長趨勢開始收斂。仿真過程如圖8所示。

4.2.2" 仿真結果

仿真結果的內容主要是醫(yī)院救治患者統(tǒng)計、患者走勢和癥狀統(tǒng)計。醫(yī)院救治患者統(tǒng)計展示各醫(yī)院在疫情事件中將要承載的救治壓力，指導醫(yī)療力量的合理分配。仿真結果如圖9、圖10所示，患者走勢大致符合武漢新冠疫情早期的發(fā)展規(guī)律。癥狀的統(tǒng)計值，有一定誤差（死亡率偏低），但癥狀的平均治療時間整體符合仿真動態(tài)模型設置的診療周期值。

5" 結" 論

本文提出并設計了一種面向突發(fā)疫情的仿真系統(tǒng)。并對患者收治分診模型、患者癥狀轉換模型進行了研究。以新冠疫情為例，根據(jù)患者死亡和治愈的時間分析，提出近似的癥狀轉換概率算法的設想。結合患者產生模型，對武漢地區(qū)的新冠疫情進行了模擬仿真。仿真系統(tǒng)實現(xiàn)了患者的生成、患者的收治分診以及癥狀轉換的模擬。仿真數(shù)據(jù)的輸出（患者數(shù)量，患者輕型、普通型、重型、死亡的數(shù)量）大致符合疫情發(fā)展的趨勢。新冠患者的治愈和死亡時間的分析樣本有限。因而得出的時間分布和實際的時間分布有一定誤差。采用分布圖形曲線線性擬合的方式得到近似分布概率本身也存在一定誤差。此外，新冠疫情中后期的醫(yī)療手段和醫(yī)療力量大幅提升，對新冠患者的死亡和治愈產生了很大的影響。因此仿真數(shù)據(jù)和實際情況存在一定的誤差。若能得到更加穩(wěn)定且準確的患者癥狀轉換概率函數(shù)。仿真系統(tǒng)的仿真結果將更加接近真實情況。

參考文獻：

[1] 李江濤，張京濤，張波，等.聯(lián)合作戰(zhàn)仿真實驗中仿真引擎運行策略研究 [J].指揮控制與仿真，2022，44（3）：80-87.

[2] 張鑫宇.面向作戰(zhàn)仿真的動態(tài)可編輯建模方法及仿真引擎設計與實現(xiàn) [D].北京：北京理工大學，2018.

[3] 國家中醫(yī)藥管理局辦公室、國家衛(wèi)生健康委員會辦公廳.新型冠狀病毒肺炎診療方案（試行第九版）關于印發(fā)新型冠狀病毒肺炎診療方案（試行第九版）的通知 [J].江蘇中醫(yī)藥，2022，54（4）：2-6.

[4] 鄭靜晨，曾贛鶴，王彬華，等.方艙醫(yī)院研究現(xiàn)狀及展望 [J].中國應急管理科學，2022（7）：1-8.

[5] 張軍俠，薛慧敏，龔雅欣，等.新冠肺炎患者死亡時間的分析 [J].西安交通大學學報：醫(yī)學版，2021，42（1）：123-127.

[6] 楊志洲，韓夢飛，楊洋，等.新型冠狀病毒肺炎疫情下上海方艙醫(yī)院患者收治的分診管理 [J]．醫(yī)學研究生學報，2022，35（10）：1086-1088.

[7] 周靈，劉輝國.新型冠狀病毒肺炎患者的早期識別和病情評估 [J].中華結核和呼吸雜志，2020，43（3）：167-170.

[8] 嚴閱，陳瑜，劉可伋，等.基于一類時滯動力學系統(tǒng)對新型冠狀病毒肺炎疫情的建模和預測 [J].中國科學：數(shù)學，2020，50（3）：385-392．

[9] 劉景院，郭賀冰，李昂.危重型新型冠狀病毒肺炎的診療進展 [J].首都醫(yī)科大學學報，2020，41（3）：321-327.

作者簡介：孫順（1980—），男，漢族，湖北孝感人，工程師，學士，主要研究方向：衛(wèi)生信息化；李學斯（1984—），男，漢族，吉林梅河口人，工程師，碩士研究生，主要研究方向：后勤信息化；徐偉童（1993—），女，漢族，江蘇南京人，工程師，學士，主要研究方向：后勤信息化；通訊作者：莫昌福（1994—），男，布依族，貴州獨山人，工程師，學士，主要研究方向：衛(wèi)勤模擬仿真；張曉瀟（1985—），女，漢族，山東菏澤人，工程師，學士，主要研究方向：后勤信息化。