在院前急救工作中涉及众多需要决策的重要问题,我们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[1-5]。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。
1 空间大数据的获取院前急救涵盖发病现场初级BLS救助以及急救车到达后首次医护接触FMC所提供的高级救助ALS[6]。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[7-8],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[9-10]。通过车载智能传感器,实现对急救车辆智能化轻改造,可获得变量组数据,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,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具有较高智能化水平的急救车辆,其中自动实现急救出车时间数据记录如FMC2D时间等是其重要特征,同时实现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及出车里程、时长数据的截图示意,这些院前数据为我们管理院前过程,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,十分便利与各级医院和急救中心以及个人用户应用连接,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空间位置分布数据及叠加,通过对大数据分析观察,实现对院前急救空间数据特征研究目的。
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,实现基于电子地理信息系统GIS的FMC热域色谱图[11-12]。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3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45度极角方向上。
从以上观察可知,FMC急救热域分布并不是像过去认为的均匀分布的,恰恰相反,一个地域的院前急救需求具有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。
我们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,由此产生出急救热域色谱分布的非均匀特征,即是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[13-14]。
综上分析,我们可以得出院前急救小样本研究的三个数据特征如下:(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。
上述三个特征为重新认识院前急救,更准确把握院前急救决策模式提供了一定基础素材,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中我们还发现一个有趣现象,如图 3中箭头所指红圈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,这一现象提醒着我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,符合万立东等[15]的建议。
3 院前急救非均匀模型应用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我们思考差异化院前急救问题提供了数据基础,使我们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”,同时我们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。
例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,通过展开对其心肺复苏技能培训,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。如果我们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,这样做的结果是使用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。
这里我们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如上图 5所示为例,如果我们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 5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!
例2:最优急救医院站点部署规划。
这里我们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 7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 8所示院前非均匀需求模型,图中Sj(j=1, 2, …10) 代表急救热域区块中心点。图 9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。这里我们设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 9供给系统总体最小距离成本Z的数学模型为:minZ=∑∑Cijxij(i=1-12, j=1-10, Cij为医院相对急救点分布距离值)。
这里我们不对上式具体求解过程进行繁琐描述,仅给出依据图 9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 10。由图 10可知,在图 9中的12家医院中选取如图 10的4家医院即可实现图 7区域的急救需求覆盖。根据每个点Sj的“热量”我们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[12-13]。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界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。
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,为我们实际工作提供更多理论依据。我们也期待着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。
[1] | Russell SW, Farrar IR, Nowak R, et al. practice[J]. World J Emerg Med, 2013, 4(2): 98-106. DOI:10.5847/wjem.j.1920-8642.2013.02.003 |
[2] | Ringh M, Rosenqvist M, Hollenberg J, et al. Mobile-phone dispatch of laypersons for CPR in out-of-hospital cardiac arrest[J]. N Engl J Med, 2015, 372(24): 2316-2325. DOI:10.1056/NEJMoal406038 |
[3] | 李子龙, 徐杰丰, 李哲, 等. 院前公众自救互救系统的设想与构建-一键自救[J]. 中华急诊医学杂志, 2016, 25(9): 1129-1132. DOI:10.3760/cma.j.issn.1671-0282.2016.09.007 |
[4] | 李光明, 周华, 盛学岐, 等. 急救分中心分布合理性的探讨[J]. 中华急诊医学杂志, 2015, 24(10): 1107-1110. DOI:10.3760/cma.j.issn.1671-0282.2015.10.014 |
[5] | 王皓瑜, 邓江, 杜佳楠, 等. 基于大数据分析的精准营销服务平台研究[J]. 中国金融电脑, 2014, 8: 40-44. DOI:10.3969/j.issn.1001-0734.2014.08.009 |
[6] | 王磊, 沈爱玲, 贺云龙. 完善我国院前急救体系的探讨[J]. 中国医药导报, 2014, 11(17): 156-159. |
[7] | 赵清石, 张森, 徐婷婷. 急救车数字化信息管理系统的研发与应用[J]. 护理学报, 2016, 23(20): 13-16. |
[8] | 何海霞. 精细化管理应用于急救车管理[J]. 现代预防医学, 2011, 38(13): 2506-2507. |
[9] | 陈牧锋, 潘晓宁. 移动急救医疗信息一体化设计与实践[J]. 深圳信息技术学院学报, 2012, 10(1): 43-47. |
[10] | 陈牧锋, 仲毅俊. 急救车载人员及设备RFID应用研究[J]. 自动化技术与应用, 2013, 32(5): 21-23. |
[11] | Bourqui J, Okoniewski M, Fear EC. Balanced antipodal vivaldi antenna with dielectric director for near-field microwave imaging[J]. IEEE Transactions on Antennas and Propagation, 2010, 58: 2318-2326. DOI:10.1109/TAP.2010.2048844 |
[12] | Gibson, P J. The Vivaldi Aerial[C]. in Proc. 9th Eur. Microw. Conf., Brighton, U.K., 1979:101-105.DOI:10.1109/EUMA.1979.332681. |
[13] | 张晖, 弓孟春, 徐军, 等. 中国精准急诊医学的应用体系规划探索[J]. 中华急诊医学杂志, 2016, 25(10): 1219-1223. DOI:10.3760/cma.j.issn.1671-0282.2016.10.001 |
[14] | Wright CF, Fitzgerald TW, Jones WD, et al. Genetic diagnosis of developmental disorders in the DDD study:a scalable analysis of genome-wide research data[J]. Lancet, 2015, 385(9975): 1305-1314. DOI:10.1016/S0140-6736(14)61705-0 |
[15] | 万立东, 李贝, 刘小龙. 北京市院前急救患者流行病学分析[J]. 中华急诊医学杂志, 2007, 16(5): 551-553. DOI:10.3760/j.issn:1671-0282.2007.05.030 |