约翰斯·霍普金斯健康安全和跨学科解决方案中心使用@RISK支持梅奥诊所罗切斯特的大病预防
背景
团队：跨学科解决方案有限责任公司MBA负责人Mark Abramovich与约翰霍普金斯大学健康安全中心（JHSPH）组成了一个工作组，由医学博士Eric Toner博士和医学博士Amesh Adalja博士代表解决这一问题。梅奥诊所传染病Pritish Tosh博士和梅罗诊所临床与业务连续性管理总监Byron Callies代表梅奥诊所的工作组，该工作组为该工作提供资金。宾夕法尼亚大学沃顿商学院的John C. Hershey博士负责监督运营部门。
挑战：由于缺乏足够具体的规划指导，医院大病防范工作受到阻碍，在很大程度上，这是因为医院之间以及各项大病情景之间的差异使得难以提供广泛适用于医院的有用指导。已经充分描述了在医院大病规划和医疗保健增援能力中考虑的因素，但考虑这些因素之间复杂和动态的相互关系。已经开发了几种基于计算机的决策工具来解决这个问题，但是，这些工具是有限的，特别是在处理医院大病规划中固有的不确定性和响应活动的操作相互依赖性方面。例如：更换床或呼吸机的能力会影响人员配备，供应和药品需求，反之亦然。以前的模型也没有充分考虑到操作阻塞点和瓶颈，例如急诊部的吞吐量和动态人员配置模式。
收集大病数据
为了解决这个问题，阿布拉莫维奇决定通过@RISK应用蒙特卡罗模拟。起初，与Drs一起。Toner和Adalja，他收集了一部分病学变量（例如，临床发作率，住院率，住院时间单位类型，需要机械通气的百分比和病死率），用于治疗局部严重的流感。美国该数据是通过审查项目团队的文献共识来确定的（表1）。
接下来，在对数据进行建模时，阿布拉莫维奇采用了英国伦敦1918年流感第二波病学曲线的形状。他说“它被选中是因为我们能找到的相关的历史实例，它与各类流感模拟工作中使用的病学曲线一致。”
梅奥诊所提供了由Byron Callies协调的流域人口数据。“我们假设梅奥诊所将为其整个地理集水区提供护理。”阿布拉莫维奇解释说。“年龄分布是通过美国人口普查数据确定的。”
阿布拉莫维奇使用病例死亡率（CFR）作为严重程度的代表，使用三种不同的CFR来探讨各项短缺的影响：
● 在医院外死亡的患者的CFR，
● CFR在非重症监护室（ICU）床上，
● ICU患者和呼吸机患者的CFR
这些CFR值由Drs确定。然后将碳粉和Adalja标准化为总体上等于预期的基于人群的CFR为0.93%±0.23%。“为了确定这个值，我们估计，如果发生与1918年相同严重程度的流感，由于医疗技术的进步，CFR将从历史的2.5%降至0.93%”Toner博士说。
此外，该团队对Mayo Clinic进行了调查，以确定在流感期间可能提供床，呼吸机和麻醉机的数量。然后，Toner，Adlaja和Tosh确定了在其期间必备的关键药物和用品。
这些数据都用于在@RISK上运行10,000次蒙特卡罗模拟，使用各项变量组合来确定各项情景中的资源需求。
为了在流感期间测试梅奥诊所的床和呼吸机容量，调查人还运行了床被限制而不是呼吸机的情况，反之亦然。“基于这些结果，我们确定了Mayo Clinic将拥有足够病床而不是呼吸机，呼吸机但没有病床的场景百分比，以及足够数量的两者”Abramovich说。
储存：适度是关键
在@RISK完成的10,000次迭代中，1,315次落在Abramovich的仿真设计和逻辑约束所定义的参数范围内。从这些迭代中，他预测了所需的关键供应品，药品和个人防护设备的百分位数供应需求。
例如：图1显示了四种关键资源的模型输出：奥司他韦，呼吸机回路，N95呼吸器（遵循州适应指南）和手套。这些累积概率图显示了包含的场景迭代分布所需的每种资源（对于奥司他韦，它显示了治疗过程的数量）的单位数。
“从我们的结果来看，很明显，资源的投资回报都是储备，即使它相对适度”Toner博士说。例如，该图显示对于95%的情景，4,998个奥司他韦疗程就足够了，对于88%的场景，大约4,000个疗程就足够了。“人们可以看到，额外的1,000门课程可以获得相对较少的增量效益”Toner博士说。“另一方面，一半场景需要2,200们课程。”
使用@RISK进行蒙特卡罗模拟有助于提高医院准备程度
“尽管蒙特卡罗模拟不能确定单一的理想策略，但它能让用户理解潜在结果的范围以及它们如何根据不同的假设进行变化，并可以就不确定性和用户的风险承受能力做出决策”阿布拉莫维奇说。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，这些场景使用的梅奥诊所医院—罗切斯特床和呼吸机的喘振能力。结果表明，在该范围偏高的情况下，储存的患者护理效益正在下降，但是即使相对适度。
Abramovich向Mayo Clinic管理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，可以让用户了解库存对一种资源的需求与另一种资源的关系，根据变化的假设或证据轻松重新计算需求，识别操作瓶颈并测试不同的响应策略。”Abramovich说。“我们能够在一系列情景中显示需要各项供应水平的概率—这是一种可用于模拟多种医院准备问题的工具。”Mayo Clinic的Callies说，“这种建模方法提供了合理的依据为我们的灾难库需求做出明智的决策。因此，通过建立基于建模结果和组织风险承受能力的共同准备水平，我们能够协调和改进多个职能部门的准备工作，同时成为组织资源的管理者。
