面向重大突发疫情患者收治的仿真系统研究

摘" 要：重大突发疫情领域的仿真系统主要是为重大突发疫情事件的发生提供预演，为重大突发疫情事件的应急处置提供指导。该课题以新冠疫情为典型事例，对重大突发疫情伤病员发送、患者收治分诊、患者症状转换的仿真建模进行研究。结合典型传染病传播模型，设计并实现了一种包含突发疫情患者发生模拟、患者收治分诊模拟、患者症状转换模拟的仿真引擎系统。通过动态设置模型参数适应不同场景（不同疫情、地区、政策等）的疫情仿真。

关键词：仿真引擎；动态参数修改；重大突发疫情；患者收治

中图分类号：TP311" " 文献标识码：A" 文章编号：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

近年来，由于重大突发疫情的影响导致社会面公共安全或健康的突发事件时有发生。重大突发疫情造成生命财产安全和连带影响不确定性高。面对重大突发疫情，需要确保有足够的医疗力量和医疗物资应对患者的救助工作，有效减少突发事件下的人员伤亡和物资损失。如何进行科学、快速地模拟伤病员的发展态势，这是一个亟待解决的问题，而基于GIS的重大突发疫情仿真系统对解决这一问题有重大指导意义。本文主要研究传染病疫情的模拟仿真，以新冠疫情为典型，对医疗力量可视化构建患者生成、患者收治分诊、患者症状转换等进行研究。考虑到新冠疫情的现实状况，具有较强的参考意义。

1" 相关研究

目前已有很多专业化的仿真实验系统，其中大多是基于特定领域的仿真模型。在军事应用领域，以美国为代表的西方国家研制出了SPEEDES、WarpIV、GTW等仿真引擎，支撑各类作战仿真系统的开发与应用[1]。中船716所的体系建模与仿真平台（MARS）也将仿真模型作为核心内容并进行了算法修改和模型参数调整，有效提高了仿真事件调度与执行效率。但是当前研究的仿真系统主要面向单个条件下的特定领域运行，可扩展性不高，难以适应多种条件下重大突发疫情事件的仿真。本研究的仿真系统基于GIS平台，结合多种仿真要素，借鉴模型组合动态可编辑思路，并实现了模型动态编辑方式[2]，应对多种条件下的仿真。在仿真过程推演中实现医疗力量可视化构建、患者生成、患者收治分诊、患者症状转换的模拟。

目前对患者症状之间的转换模型研究相对较少。根据新型冠状病毒感染诊疗方案（第9版），新冠患者的症状被划分四种症状：轻型、普通型、重型、危重型[3]。但在大多数的患者统计报道中，患者症状还包括无症状感染者。对于患者的处置，首先通过将患者分为轻症和重症。轻症病员优先送往有空余床位且最近的方舱医院。若无可收治的方舱医院，则轻症病员将直接就近送往有收治能力的定点医院。而重症病员则直接就近送往有收治能力的定点医院[4]。西安交通大学学报（医学版）中对一批新冠患者的死亡时间以及治愈时间做过统计和分析。指出新冠患者的死亡时间和治愈时间均符合正偏态分布。

其中从发病到死亡的时间最短4天，最长50天，均数±标准差为（16.7±9.2）天，中位数14天，95%置信区间（4.6，42.9）[5]。发病到住院确诊接受治疗平均需要4天，治愈时间曲线属偏态分布，偏度为1.09，治愈时间均值为（14.6±6.7）天，中位数为13天，95%的置信区间为（6.9，21.0）。以上的研究对本次仿真系统的设计提供了症状转换模型的设计思路。

2" 重大突发疫情患者处置建模研究

本文首先以新冠疫情为典型对重大突发疫情患者处置流程进行研究。对患者收治分诊模型和患者症状模型进行建模设计。

2.1" 患者收治分诊模型

患者收治流程首先将患者分为轻症和重症。轻症病员优先送往有空余床位且最近的方舱医院。若无可收治的方舱医院，则轻症病员将直接就近送往有收治能力的定点医院。而重症病员则直接就近送往有收治能力的定点医院。方舱医院的病员，经过一定时间的治疗，会治愈出院或者因病情加重从而转运至就近定点医院。定点医院的病员，经过一定时间的治疗后，会康复出院或者死亡。患者收治模型的流程如图1所示。

2.2" 患者症状转换模型设计

新冠疫情是近年来发生的规模最大、影响力最强、最具代表性的突发疫情。本课题以新冠患者为典型，对患者症状转换模型和症状转换概率进行研究。

2.2.1" 症状转换模型

依据武汉和上海等地的患者处置方式，轻型、无症状收治到方舱医院，普通型、重型收治到定点医院，重型则需要特殊病房[6]。本文根据新冠患者的收治方式将其分为轻型（轻型、无症状感染者）、普通型、重型（重型、危重型）三种类型。其症状间的转换关系如图2所示，P1为治愈的概率，P2为症状加重概率。其含义如下：在仿真运算中，设某一症状的患者数量N，则在按照比例，随机选取其中的N×P2数量的患者必然出现症状加重，N×P1数量的患者症状不加重且被治愈。其中症状加重或治愈的时间，满足一定的概率密度分布[7]，如图2所示。

每个症状阶段的症状转换有如下参数：

1）诊疗周期——该症状出现到治疗结束的期望天数：T1。

2）症状加重周期——出现症状加重的期望天数：T2。

3）症状继续加重概率总概率：P2。

4）症状被治愈概率总概率：P1 = 1 - P2。

2.2.2" 症状转换概率

当前对新冠各个症状加重的概率学研究较少。但患者从感染到死亡都经过：轻→普通→重→死亡的完整过程。我们将患者发病到死亡的时间视为一个周期。则整个死亡周期符合正偏态分布。为了近似的模拟每个周期的转换，且保证所有阶段的转换概率叠加后仍符合完整的周期分布，可将其中三个症状加重阶段均视为符合死亡时间的概率分布规律。同理当前并无对各个症状出现到治愈的概率学研究。我们将患者出现症状到治愈的时间视为一个周期[8]。则整个治疗周期符合正偏态分布。为了近似的模拟每个症状的治愈，且保证所有症状的治愈概率叠加后仍符合完整的周期分布，可将其中三个症状治愈时间分布均视为符合总治愈时间的概率分布规律：

1）患者死亡时间分布及治愈时间分布。根据西安交通大学学报对一批新冠患者的死亡时间以及治愈时间的统计和分析。得出新冠患者的死亡时间和治愈时间均符合正偏态分布。

死亡时间（患者发病到死亡时间）分布，均数±标准差为（16.7±9.2）天，中位数14天，95%置信区间（4.6，42.9）天。

患者发病到治愈时间，均数±标准差为18.6±6.7天（包括4天平均确诊时间），中位数17天，95%置信区间（10.9，25）。

因偏态分布的概率精确运算相对复杂。而仿真过程并不关注具体每一个患者的症状，而是关注患者症状的宏观情况，因此本课题仅对概率分布做近似处理。通过新冠患者死亡分布图、新冠患者治愈分布图曲线进行线性化，要求概率分布于均值两侧，总概率为1。患者分布概率密度曲线可线性化，近似如图3、图4中红色虚线。经过图形绘制和计算得出近似的时间线性分布模型。

2）症状加重概率密度近似模型。根据患者死亡时间分布得到患者死亡概率密度近似模型：

对P求积分得概率累积：

设死亡周期为T0，则上述拐点为T0，死亡时间分布0.3T0—1.7T0，如图5所示。

死亡概率密度模型可视为多段症状加重的周期叠加，设症状加重周期为T，概率分布中值为T，峰值概率密度Ptop = 1 / （0.7T），函数斜率a = Ptop / （0.7T） = 1 / （0.7T）2；得出概率累积：

得出：

3）患者治愈概率密度近似模型。参照患者死亡概率模型设近似思想。设患者治愈的周期为T。

经过线性化，如图6所示，概率分布中值为T，峰值概率密度Ptop = 1 / （0.5T），函数斜率a = Ptop / （0.5T） = 1 / （0.5T）2。得出概率累积：

得出：

3" 重大突发疫情仿真引擎设计

3.1" 仿真引擎体系结构设计

仿真系统加载所选区域的医护人员信息、医院信息和药品供应站等信息作为仿真的初始对象数据，通过预置的仿真运算模型，推演伤病员患者发生、收治和转运等场景，并支持通过执行防疫政策等方式实现疫情的尽快收敛、使得患者被充分收治。如图7所示，仿真系统主要包括态势数据可视化、系统业务操作、仿真过程管理、系统控制中心、模型运算中心等模块。系统核心是仿真模型运算中心，模型运算中心包括患者收治分诊、患者症状转换和患者发生等模型。

3.1.1" 仿真要素配置

仿真要素配置包含如名称、说明、仿真时间、城市、类型等基本信息。可配置类型关联的伤病员产生模型。伤病员产生模型的参数，将影响仿真系统的运算。

3.1.2" 仿真交互

1）系统业务操作。仿真过程中可以执行政策（封城、分级隔离等）操作，改变伤病员产生的趋势。防疫政策可以改变伤病员/患者发生模型的模型系数，改变伤病员产生趋势。

2）数据可视化。基于GIS界面展示仿真对象模型，模型包括医院设施、药品供应站、伤病员等对象。以报表的形式展示统计数据。以曲线和图表的形式展现仿真过程中的走势变化及统计情况，包括患者统计、患者收治统计等。

3）仿真模型运算中心。模型运算中心主要用于推演患者的收治、转运、和症状改变等基本逻辑。

4）仿真运行缓存。运行缓存单元实时保存仿真过程的当前数据，包括仿真区域，仿真设施对象、态势统计、伤病员等数据。系统运算中心实时刷新运行缓存数据。

5）仿真参数设置。仿真参数设置单元可以对仿真模型进行动态参数赋值，如修改传播系数、易感人群数等参数。达到灵活配置模型参数的效果。

3.1.3" 仿真报告

仿真任务结束后支持生成仿真报告信息。仿真报告包含仿真事件初始信息、患者发生统计、患者救护信息、事件结果输出（治疗时间、最终病例数、治疗情况和物资消耗数等）等。

3.2" 模型参数动态设置

面向疫情仿真的场景比较复杂，参数灵活多变。不同城市、不同季节、不同爆发阶段、不同毒株，甚至不同传染病类型，传染病的诊疗周期、死亡率、治愈率都可能发生变化[9]。本仿真系统设计了一种支持灵活配置模型参数的思想。每次仿真开始前，选择不同的参数配置模型。则仿真运行开始阶段，系统加载最新的模型参数，重新对患者转换模型的相关系数进行初始化。针对新冠疫情的仿真，支持动态配置的参数如表1所示。

4" 仿真系统应用

基于上述研究，本课题结合武汉新冠疫情事件的一些参数进行模拟仿真。以武汉城市地区的医院的医疗力量以及用户设定的初始伤病员数量作为仿真初始数据。基于预设的运算模型，计算推演伤病员和人力物资的数据随时间的变化，仿真过程及结果基于GIS地图进行可视化展示。仿真系统支持模拟应急事件中的发展走势、伤病员的发生以及模拟政策实施对态势发展的影响。

4.1" 仿真参数设置

4.1.1" 基本参数设置

名称：新冠疫情；类型：公共卫生事件；城市：武汉市；初始病例：27；开始时间：2020-01-01；封城时间：2020-01-24。

4.1.2" 动态模型参数设置

新冠疫情诊疗周期和死亡率等信息各方统计存在一定差异。结合新冠诊疗方案及多个医学杂志的统计，本文拟定仿真参数值，如表2所示。

4.2" 仿真结果展示

4.2.1" 仿真过程演示

生成的患者按照收治分诊流程被医院收治。仿真系统中能实时展示各医院的收治患者情况和医院床位的使用情况。在1月24日执行封城措施，在1月26号以后，患者增长趋势开始收敛。仿真过程如图8所示。

4.2.2" 仿真结果

仿真结果的内容主要是医院救治患者统计、患者走势和症状统计。医院救治患者统计展示各医院在疫情事件中将要承载的救治压力，指导医疗力量的合理分配。仿真结果如图9、图10所示，患者走势大致符合武汉新冠疫情早期的发展规律。症状的统计值，有一定误差（死亡率偏低），但症状的平均治疗时间整体符合仿真动态模型设置的诊疗周期值。

5" 结" 论

本文提出并设计了一种面向突发疫情的仿真系统。并对患者收治分诊模型、患者症状转换模型进行了研究。以新冠疫情为例，根据患者死亡和治愈的时间分析，提出近似的症状转换概率算法的设想。结合患者产生模型，对武汉地区的新冠疫情进行了模拟仿真。仿真系统实现了患者的生成、患者的收治分诊以及症状转换的模拟。仿真数据的输出（患者数量，患者轻型、普通型、重型、死亡的数量）大致符合疫情发展的趋势。新冠患者的治愈和死亡时间的分析样本有限。因而得出的时间分布和实际的时间分布有一定误差。采用分布图形曲线线性拟合的方式得到近似分布概率本身也存在一定误差。此外，新冠疫情中后期的医疗手段和医疗力量大幅提升，对新冠患者的死亡和治愈产生了很大的影响。因此仿真数据和实际情况存在一定的误差。若能得到更加稳定且准确的患者症状转换概率函数。仿真系统的仿真结果将更加接近真实情况。

参考文献：

[1] 李江涛，张京涛，张波，等.联合作战仿真实验中仿真引擎运行策略研究 [J].指挥控制与仿真，2022，44（3）：80-87.

[2] 张鑫宇.面向作战仿真的动态可编辑建模方法及仿真引擎设计与实现 [D].北京：北京理工大学，2018.

[3] 国家中医药管理局办公室、国家卫生健康委员会办公厅.新型冠状病毒肺炎诊疗方案（试行第九版）关于印发新型冠状病毒肺炎诊疗方案（试行第九版）的通知 [J].江苏中医药，2022，54（4）：2-6.

[4] 郑静晨，曾赣鹤，王彬华，等.方舱医院研究现状及展望 [J].中国应急管理科学，2022（7）：1-8.

[5] 张军侠，薛慧敏，龚雅欣，等.新冠肺炎患者死亡时间的分析 [J].西安交通大学学报：医学版，2021，42（1）：123-127.

[6] 杨志洲，韩梦飞，杨洋，等.新型冠状病毒肺炎疫情下上海方舱医院患者收治的分诊管理 [J]．医学研究生学报，2022，35（10）：1086-1088.

[7] 周灵，刘辉国.新型冠状病毒肺炎患者的早期识别和病情评估 [J].中华结核和呼吸杂志，2020，43（3）：167-170.

[8] 严阅，陈瑜，刘可伋，等.基于一类时滞动力学系统对新型冠状病毒肺炎疫情的建模和预测 [J].中国科学：数学，2020，50（3）：385-392．

[9] 刘景院，郭贺冰，李昂.危重型新型冠状病毒肺炎的诊疗进展 [J].首都医科大学学报，2020，41（3）：321-327.

作者简介：孙顺（1980—），男，汉族，湖北孝感人，工程师，学士，主要研究方向：卫生信息化；李学斯（1984—），男，汉族，吉林梅河口人，工程师，硕士研究生，主要研究方向：后勤信息化；徐伟童（1993—），女，汉族，江苏南京人，工程师，学士，主要研究方向：后勤信息化；通讯作者：莫昌福（1994—），男，布依族，贵州独山人，工程师，学士，主要研究方向：卫勤模拟仿真；张晓潇（1985—），女，汉族，山东菏泽人，工程师，学士，主要研究方向：后勤信息化。