- 主办单位:
- ISSN:
- 期刊分类:
- 出版周期:
- 投稿量:
- 浏览量:
相关文章
暂无数据
大规模伤员医疗转运仿真——基于检伤分类与医院容量约束的策略比较
Simulation of Medical Transport Strategies for Mass Casualties: A Comparison Based on Triage and Hospital Capacity Constraints
引言
大规模伤亡事件中，伤员会在短时间内集中等待转运，救护车需往返周转，医院接收单元也要等待释放。若仅按到达顺序取人，后到的重伤员可能延迟；若仅按距离分流，多辆救护车又可能集中驶向同一家医院。检伤排序、车辆周转和医院容量由此形成相互影响的动态过程，适合采用离散事件仿真进行比较。
已有研究已将离散事件模型用于大规模伤亡医疗后送、救护车资源规划和灾害响应评价，并提示道路时间、床位或物资状态会改变患者—医院分配结果。医院资源限制、突增容量和群体伤亡预案也常以情景仿真评估。但相关模型的地区、流程和结局不同，难以直接比较“现场先服务谁”与“医院如何分配”两类规则的叠加影响。
本研究使用Python和SimPy建立单现场、3家医院的医疗转运模型，在不同伤员规模、救护车数量和医院容量下比较先到先服务（S1）、重伤员优先（S2）及重伤员优先并兼顾距离与医院承诺负载（S3）。研究同时报告分级等待、总完成时间、医院端等待和负载变异系数（CV），并通过容量及权重敏感性分析考察策略适用条件。
1 资料与方法
1.1 模型设计与假设
本研究将伤员入队、救护车装载与往返、医院排队、交接及接收单元释放表示为按时间发生的离散事件。仿真对象为已完成红、黄、绿三级检伤并等待转运的伤员，时间单位为min；主要结局记录至最后一名伤员完成医院交接。
模型包含伤员、救护车和医院3类对象。所有伤员在时刻0进入现场队列；同质救护车每次转运1人，返场后承担下一任务。医院A、B、C分别代表近距离小容量、中距离中容量和远距离大容量机构。医院容量以可释放的“有效接收单元”表示，综合抽象床位、人员和接收流程，不等同于现实床位编制。伤员一经分配即计入承诺负载；到院后申请接收单元，资源已满时与车辆共同等待，交接结束后救护车返场。
模型不构建真实道路网络，不模拟分批发现、检伤误判、现场治疗、伤情恶化、死亡、车辆故障、道路中断和跨院转运。医院不拒收已到达伤员，拥堵以排队体现；三种策略共享相同伤员构成和外生随机时间样本。
1.2 仿真参数
红、黄、绿伤员比例设为20%、30%、50%，位于两项相关仿真研究的情景范围内；速度分布众数30 km/h参考医疗后送仿真研究。其余时间、容量和权重均为用于策略比较的情景参数，不作为临床经验值。主要参数见表1。
| 模块 | 参数 | 设置 |
|---|---|---|
| 伤员 | 总人数 | 50、100、150人 |
| 伤员 | 红/黄/绿比例 | 20%/30%/50% |
| 伤员 | 到达方式 | 时刻0全部进入队列 |
| 救护车 | 数量/单次载量 | 4、6、8辆/1人 |
| 救护车 | 装载/交接时间 | Triangular(3,5,8)/Triangular(5,10,15) min |
| 交通 | 往返速度 | Triangular(24,30,36) km/h |
| 医院 | A/B/C距离 | 5/10/15 km |
| 医院 | A/B/C基准容量 | 2/3/4个有效接收单元 |
| 医院 | 红/黄/绿占用时间 | Triangular(45,60,90)/Triangular(30,45,60)/Triangular(15,20,30) min |
| 容量敏感性 | 紧张/基准/充足 | 1/2/3、2/3/4、3/5/7 |
| S3权重 | 距离/负载 | 0.3/0.7、0.5/0.5、0.7/0.3 |
| 重复实验 | 重复次数/基础种子 | 100次/20260729 |
注：Triangular(a, m, b)分别表示三角分布的最小值、众数和最大值。
1.3 转运策略
S1按一次性随机排列依次取人。分配医院时，若有接收单元空闲且无排队的医院，则选择最近者；三院均满载或有队列时仍送往最近医院。该规则只读取当前占用与排队，不计在途伤员。
S2按红、黄、绿顺序取人，同级伤员沿用初始随机次序；医院选择规则与S1相同，故S1与S2的差异主要来自现场服务顺序。
S3采用与S2相同的伤员排序，并按距离与医院承诺负载的加权评分选择医院：
式中，α为距离权重；dh和dmax分别为医院h距离及最大距离；Kh为有效接收单元数；Ch(comm)为已占用、排队及已分配在途伤员之和。主实验取α=0.5，敏感性实验取0.3、0.5、0.7。选择最低评分医院，平分时选近者。该规则为可复现的启发式基线，不代表最优解。
1.4 评价指标
设伤员i进入系统和开始执行转运任务的时刻分别为tready(i)和tdispatch(i)，其现场等待时间为：
分别计算全体及红、黄、绿伤员平均等待。总转运完成时间为最后一名伤员完成医院交接的时刻：
医院端等待为到院至获得接收单元的时间。救护车利用率为观察窗口内全部车辆忙碌时长之和除以救护车数量与Tend的乘积。医院h的标准化累计负载Lh=Nh/Kh，其中Nh为接收人数；3家医院Lh的总体标准差与均值之比定义为负载CV，值越小表示累计接收负载越均衡。
1.5 实验设计与统计分析
主实验采用3种策略、3种伤员规模和3种救护车数量的全交叉设计，医院基准容量为2/3/4，每个组合重复100次，共2700次运行。容量实验固定100名伤员和6辆救护车，比较1/2/3、2/3/4和3/5/7三档容量；权重实验在同一代表性场景比较S3的0.3/0.7、0.5/0.5和0.7/0.3距离/负载权重。扣除复用的基准记录，共3500次不重复仿真。
每次运行按固定比例生成并随机打乱伤员，一次性生成装载、交接、医院占用和速度样本。同一场景和重复编号下各策略使用相同种子及外生样本，容量与权重实验也采用配对输入。
1.6 模型实现、校验与统计分析
模型使用Python 3.9.13和SimPy 4.1.1实现，统计分析使用NumPy 2.0.2、pandas 2.3.1和SciPy 1.13.1，绘图使用Matplotlib 3.9.2。
校验包括17项程序测试和3项统计测试，覆盖数量守恒、事件顺序、优先级、容量上限、固定种子复现、共同随机输入、医院分配、权重响应、单伤员手工算例、Holm校正及效应量。方向性检查确认增加救护车或单院容量不会使相应时间指标反向变化。3500个唯一运行编号和10500条医院记录未见主要指标缺失、编号重复、数量不守恒或容量越界。上述校验仅证明程序内部一致性，模型尚未接受真实事件或临床专家的外部效度检验。
各组合报告均值、标准差和均值的双侧95%置信区间。采用Shapiro-Wilk检验检查配对差值正态性；因部分差值不符合正态分布，使用Friedman检验和Kendall's W进行总体比较，P值按分析集合采用Holm法校正。总体检验显著时实施双侧Wilcoxon符号秩检验，3次两两比较再用Holm法校正，并报告配对秩二列相关系数。双侧P<0.05为差异有统计学意义。
2 结果
2.1 数据完整性与总体趋势
主实验、容量实验和权重实验分别形成2700、900和300条分析记录；扣除复用记录后为3500次不重复仿真。900个主实验策略配对组及两类敏感性实验配对关系完整。288项重复精度检查中，283项95%置信区间半宽不超过均值的5%；其余5项均为接近0的医院端等待，绝对半宽小于0.3 min。
三种策略下，伤员由50人增至150人时，全体等待、红色伤员等待和总完成时间均上升；救护车由4辆增至8辆时总体下降（图1～图3）。以100名伤员的S3为例，4、6、8辆车时全体平均等待分别为624.577、444.553、354.312 min，总完成时间分别为1245.362、914.932、733.731 min。
图1 全体伤员平均等待时间随伤员规模和救护车数量的变化
图2 红色伤员平均等待时间随伤员规模和救护车数量的变化
图3 总转运完成时间随伤员规模和救护车数量的变化
注：误差线为100次重复均值的95%置信区间。
2.2 三种策略比较
主实验72项Friedman检验中，65项经Holm校正后有统计学意义；7项未显著比较均为救护车利用率。9个场景中，S3的总完成时间、医院负载CV和医院端等待均最低，红色伤员等待在8个场景最低，全体平均等待在6个场景最低。
代表性场景结果见表2。S3的全体平均等待、红色伤员等待、总完成时间、医院负载CV和医院端等待较S2分别降低12.06%、28.04%、6.59%、22.83%和76.89%，相应两两差异均达到校正后P<0.05。
| 指标 | S1（均值±标准差） | S2（均值±标准差） | S3（均值±标准差） | Friedman χ² | Holm校正P值 | Kendall's W |
|---|---|---|---|---|---|---|
| 全体平均等待时间（min） | 454.235±10.787 | 505.531±8.841 | 444.553±5.049 | 170.48 | <0.001 | 0.8524 |
| 红色伤员平均等待时间（min） | 452.892±52.598 | 93.643±2.231 | 67.388±1.386 | 200.00 | <0.001 | 1.0000 |
| 黄色伤员平均等待时间（min） | 447.956±37.748 | 378.597±7.315 | 315.383±4.299 | 190.50 | <0.001 | 0.9525 |
| 绿色伤员平均等待时间（min） | 458.539±34.044 | 746.446±13.926 | 672.921±7.641 | 200.00 | <0.001 | 1.0000 |
| 总转运完成时间（min） | 962.650±21.125 | 979.503±16.155 | 914.932±10.489 | 164.58 | <0.001 | 0.8229 |
| 救护车利用率 | 0.9863±0.0082 | 0.9895±0.0051 | 0.9893±0.0046 | 7.94 | 0.1321 | 0.0397 |
| 医院负载CV | 0.5606±0.0346 | 0.5849±0.0250 | 0.4513±0.0179 | 159.02 | <0.001 | 0.7951 |
| 医院端平均等待时间（min） | 7.354±1.212 | 9.048±0.863 | 2.091±0.266 | 178.88 | <0.001 | 0.8944 |
重伤员优先改变了分级等待分布。代表性场景中，S1红、黄、绿伤员平均等待分别为452.892、447.956、458.539 min；S2相应为93.643、378.597、746.446 min；S3为67.388、315.383、672.921 min。三种策略差异均为校正后P<0.001。S3绿色伤员等待仍较S1增加46.75%，但较S2减少73.525 min。
2.3 容量与权重敏感性
医院容量由紧张增至充足后，主要时间指标总体下降（表3）。S3全体等待由520.515降至401.987 min，红色伤员等待由81.933降至60.010 min，总完成时间由1044.580降至832.373 min，医院端等待由6.312降至0.198 min。
容量充足时，S1全体等待为386.363 min，低于S3的401.987 min；S3仍有更低的红色伤员和医院端等待。此时S2与S3总完成时间差异未达统计学意义（Holm校正P=0.1365）。医院负载CV未随容量单调降低：紧张容量下S1最低，基准和充足容量下S3最低。
| 容量 | 策略 | 全体平均等待（min） | 红色平均等待（min） | 总完成时间（min） | 医院负载CV | 医院端等待（min） |
|---|---|---|---|---|---|---|
| 紧张1/2/3 | S1 | 577.253 | 576.153 | 1196.957 | 0.350 | 14.425 |
| S2 | 681.524 | 140.037 | 1268.311 | 0.418 | 20.395 | |
| S3 | 520.515 | 81.933 | 1044.580 | 0.391 | 6.312 | |
| 基准2/3/4 | S1 | 454.235 | 452.892 | 962.650 | 0.561 | 7.354 |
| S2 | 505.531 | 93.643 | 979.503 | 0.585 | 9.048 | |
| S3 | 444.553 | 67.388 | 914.932 | 0.451 | 2.091 | |
| 充足3/5/7 | S1 | 386.363 | 385.433 | 825.276 | 0.803 | 4.125 |
| S2 | 418.953 | 71.681 | 834.259 | 0.827 | 5.011 | |
| S3 | 401.987 | 60.010 | 832.373 | 0.658 | 0.198 |
S3权重结果见表4。相对0.5/0.5，0.3/0.7使医院负载CV由0.4513降至0.3587、医院端等待由2.091降至0.919 min，但总完成时间由914.932增至922.910 min；0.7/0.3使全体等待、红色伤员等待、医院负载CV和医院端等待分别增至468.173 min、71.875 min、0.6767和7.188 min。0.5/0.5是透明的折中基准，不能据此认定为最优权重。
| 距离/负载权重 | 全体平均等待（min） | 红色平均等待（min） | 总完成时间（min） | 医院负载CV | 医院端等待（min） |
|---|---|---|---|---|---|
| 0.3/0.7 | 444.509±4.153 | 66.316±1.081 | 922.910±10.229 | 0.3587±0.0209 | 0.919±0.241 |
| 0.5/0.5 | 444.553±5.049 | 67.388±1.386 | 914.932±10.489 | 0.4513±0.0179 | 2.091±0.266 |
| 0.7/0.3 | 468.173±7.764 | 71.875±1.778 | 914.602±13.497 | 0.6767±0.0125 | 7.188±0.653 |
2.4 时效与负载权衡
多数主场景救护车利用率接近1，9个场景中7个策略差异不显著，其余2个效应量较小，故不据此判断策略优劣。相比之下，医院端等待和负载CV对分配规则更敏感；S3在基准容量9个场景中均取得最低均值，但其重伤员时效改善伴随绿色伤员延迟。
3 讨论
3.1 主要发现与作用机制
在配对随机输入下，S3在基准容量9个主场景中均取得最低总完成时间、医院负载CV和医院端等待，红色伤员等待在8个场景最低。该结果来自两项机制叠加：优先队列把有限车辆更早分配给红、黄伤员；承诺负载把已占用、排队及在途伤员一并计入医院选择，减少救护车集中指向近距离医院。
优先排序也把更多等待转移给绿色伤员。S3通过改善车辆周转使绿色伤员等待低于S2，却无法消除其相对S1的延迟。因此，策略评价需联合报告全体和分级等待，避免总体均值掩盖重伤员获益，也避免只报告重伤员而忽略低优先级代价。类似仿真亦提示，优先级、资源可用性和去向决策会共同影响伤员流动。
容量感知分配的方向与同时使用道路时间、床位或物资状态的患者—医院分配研究相符。但既有研究使用真实区域网络或不同临床结局，本研究仅观察3家抽象医院的等待、转运和负载指标，S3只能理解为本模型中的可复现基线。
3.2 容量与资源条件
增加医院容量总体缩短等待和完成时间，但会改变策略排序；负载CV还受到容量标准化和医院距离共同影响，未呈单调变化。相关结果与医院资源配置和群体伤亡预案研究的方向一致，同时说明单独增加接收单元不能代表人员、设备和流程瓶颈均已解除。
增加救护车数量总体改善时间指标，部分场景呈描述性边际收益递减。多数场景利用率接近饱和且策略差异很小，说明利用率难以区分高负荷系统中的分配规则，医院端等待和负载CV更具辨别力。由于模型采用单人单次转运，未模拟拥堵、故障和多人载量，该利用率不能作为现实目标值。
3.3 研究启示
转运策略不存在脱离目标和资源条件的固定排序。若目标侧重红色伤员时效、医院端排队和全部转运完成，S3在本文参数下较有利；若只考察全体平均等待，S1在部分高运力或容量充足场景更低。实际应用前应先确定优先指标，并用区域道路、车辆和医院数据重新校准模型。
3.4 局限性
伤员构成、装载与交接时间、医院占用时间及容量档位均为文献范围内或研究者设定的情景参数，未用真实调度和医院记录校准。所有伤员在时刻0进入闭合队列，未模拟分批发现、伤情恶化、死亡、现场治疗和检伤误判，因而红色伤员等待不能替代死亡率或功能结局。
医院和路网被简化为3个固定距离及有效接收单元，未区分道路拥堵、医院等级、专科能力、人员班次和物资储备。容量实验只覆盖100名伤员、6辆救护车，权重实验仅比较3组预设值，未检验完整交互或寻优。仿真P值反映随机输入波动，不等同于现实人群抽样不确定性。
S3可读取在途承诺负载，而S1和S2只读取当前占用与排队，信息条件并不完全对称。后续需增加共享承诺负载信息的对照策略，并在真实区域网络中分别评估伤员排序、信息可见性和医院分配规则。
4 结论
本研究建立了考虑检伤优先、救护车往返和医院有限接收能力的离散事件模型。3500次仿真显示，在本文参数范围内，重伤员优先并结合医院承诺负载的S3可改善红色伤员时效、医院端等待、总完成时间和医院负载分布，但会延长部分低优先级伤员等待，且策略优势随容量和评价指标改变。结果仅反映抽象情景下的运行过程，不能直接外推为临床获益。
参考文献：
- [1] 罗佳,陈瑶.大规模伤亡事件医疗后送仿真模型构建与调度策略研究[J].军事医学,2025,49(05):374-381.
- [2] Rauner M S,SchaffhaUser-Linzatti M M,Niessner H.Resource planning for ambulance services in mass casualty incidents:a DES-based policy model[J].Health care management science,2012,15(03):254-269.
- [3] Debacker M,Van Utterbeeck F,Ullrich C,et al.SIMEDIS:a discrete-event simulation model for testing responses to mass casualty incidents[J].Journal of medical systems,2016,40(12):273.
- [4] Amram O,Schuurman N,Hedley N,et al.A web-based model to support patient-to-hospital allocation in mass casualty incidents[J].Journal of trauma and acute care surgery,2012,72(05):1323-1328.
- [5] Gra N M,Schmulevich D,Geng Z,et al.Optimizing mass casualty triage:using discrete event simulation to minimize time to resuscitation[J].Journal of the American college of surgeons,2024,238(01):41-53.
- [6] Staribacher D,Rauner M S,Niessner H.Hospital resource planning for mass casualty incidents:limitations for coping with multiple injured patients[J].Healthcare,2023,11(20):2713.
- [7] Tallach R,Schyma B,Robinson M,et al.Refining mass casualty plans with simulation-based iterative learning[J].British journal of anaesthesia,2022,1280(2):e180-e189.
- [8] Wong W L,Carlsson K,Lindblad M,et al.Resource requirements in a burn mass casualty event[J].European burn journal,2024,5(03):228-237.
- [9] Blimark M,Robinson Y,Jacobson C,et al.Determining surgical surge capacity with a hybrid simulation exercise[J].Frontiers in public health,2023,11:1157653.
- [10] Amram O,Schuurman N,Hameed S M.Mass casualty modelling:a spatial tool to support triage decision making[J].International journal of health geographics,2011,10:40.
- [11] Hupert N,Hollingsworth E,Xiong W.Is overtriage associated with increased mortality? Insights from a simulation model of mass casualty trauma care[J].Disaster medicine and public health preparedness,2007,1(S1):S14-S24.