Data-Driven Bed Capacity Planning Using $M_t/G_t/\infty$ Queueing Models with an Application to Neonatal Intensive Care Units

この論文は、時間変化する入院率と患者ごとの在院日数分布を考慮した$M_t/G_t/\infty$待ち行列モデルを用いたデータ駆動型のベッド容量計画フレームワークを提案し、カルガリーの新生児集中治療室（NICU）への適用を通じて、従来の静的な経験則では変動する需要下での容量不足を捉えきれないことを示しています。

要約

🏥 物語：新生児の「ベッド」を巡る冒険

1. 従来の方法：「平均値」の罠

これまで病院のベッド計画は、**「去年の平均」**を見て決めていました。
例えば、「1 日に平均 10 人の赤ちゃんが来るから、10 人分＋少しの予備で 12 人のベッドがあれば大丈夫だ」という考え方です。

• 問題点： これは**「平均的な天気」**しか見ていないようなものです。
  • 平均気温が 20 度でも、夏には 35 度になり、冬には氷点下になることがあります。
  • 同じように、赤ちゃんの入院数は「季節」や「流行り病」で激しく変動します。
  • 結果： 「平均」だけを見て計画すると、**「急に赤ちゃんが増えた日」にベッドが足りなくなり、「静かな日」**にはベッドが空っぽで無駄になる、というジレンマが起きます。

2. この論文の新しい方法：「Mt/Gt/∞」モデル

この研究チームは、**「時間によって変化するリアルな動き」**を捉える新しい計算機（モデル）を作りました。

• Mt/Gt/∞って何？
  • 難しく考えず、**「無限にベッドがある仮想的な病院」**と想像してください。
  • ここでは、赤ちゃんが「いつ来て、いつ帰る（退院する）」かを、**「1 日ごとの天気」**のように細かく記録します。
  • 「今日は赤ちゃんが 20 人来るかも」「でも、その赤ちゃんは 3 日しか滞在しないかも」「明日は 50 人来るかもしれないが、滞在は 10 日になるかも」という**「変動するパターン」**をすべて計算に入れます。

3. 具体的なステップ：3 つの魔法の道具

この研究では、以下の 3 つのステップで「未来のベッド数」を予測します。

1. リズムの発見（STL 分解）：

   • 過去の入院データを「週ごとのリズム」「季節ごとのリズム」「長期的なトレンド」に分解します。
   • 例： 「毎週月曜日は少し多い」「冬は風邪で増える」「年々赤ちゃんが増えている」といった**「隠れたリズム」**を見つけ出します。

2. 滞在時間の形を測る（LOS モデリング）：

   • 赤ちゃんが病室に「どれくらいいるか」を分析します。
   • 単に「平均 5 日」ではなく、「短く 1 日で帰る子もいれば、長く 2 ヶ月かかる子もいる」という**「ばらつき」**を重視します。
   • 例： 「全員がちょうど 5 日で帰る」のと、「1 日で帰る子と 9 日で帰る子が半々」では、ベッドの混み具合が全く違います。この「ばらつき」を計算に組み込むのがポイントです。

3. 未来のシミュレーション（ births-driven projection）：

   • 「来年、カルガリー地方で何人の赤ちゃんが生まれるか」という**「人口予測」**と結びつけます。
   • 「もし来年の出生数が 10% 増えたら？」「もし入院期間が長引いたら？」という**「もしも（シナリオ）」**を何百回もシミュレーションして、最も確実なベッド数を導き出します。

4. 発見された重要な教訓

この研究から、いくつかの驚くべきことがわかりました。

• 「85% 稼働率」という神話は危険：

  • 病院業界では「ベッドを 85% 稼働させれば、余裕を持って対応できる」という**「85% ルール」**が一般的です。
  • しかし、この研究では**「平均が 85% でも、急な波が来ると 100% を超えてパンクする」**ことがわかりました。
  • 例： 平均してレストランが満席でも、週末の夜に予約が殺到すれば、待たされることになります。

• 「リスク許容度」でベッド数は変わる：

  • 「絶対にベッドが足りない日を作らない（リスク 1%）」とすれば、ベッド数は増え、平均的な稼働率は下がる（少し余る）ことになります。
  • 「たまに足りない日があってもいい（リスク 5%）」とすれば、ベッド数は減り、平均稼働率は上がる（効率が良い）ことになります。
  • 病院は**「効率」か「安心」のどちらを優先するか**を決める必要があります。

• 「ばらつき」が重要：

  • 赤ちゃんの滞在期間が「みんな同じ長さ」だと、退院が同時に集中して、一時的にベッドが足りなくなります。
  • 逆に、「滞在期間がバラバラ」だと、退院が分散されて、ピークが抑えられます。
  • 意外な事実： 滞在期間の「ばらつき」が大きい方が、実はピーク時の混雑を和らげ、必要なベッド数を減らせることがあるのです。

5. 結論：なぜこれが大切なのか？

この新しい方法は、「過去の平均」に頼らず、「未来の波」に備えるための地図を提供します。

• 病院側： 「いつ、どこにベッドが必要か」を事前に知れるので、無駄なベッドを作ったり、逆に足りなくて困ったりするのを防げます。
• 患者さん（赤ちゃん）： 入院した瞬間にベッドが確保され、安心した治療を受けられます。
• 社会： 限られた医療資源を、必要な時に必要な場所に配分できるようになります。

一言で言うと：
「天気予報のように、赤ちゃんの入院という『波』を正確に読み解き、『もしも』の嵐に備えて、適切な数のベッドを準備しよう」という、データに裏打ちされた新しい病院の計画術です。

技術概要

この論文「Data-Driven Bed Capacity Planning Using Mt/Gt/∞Queueing Models with an Application to Neonatal Intensive Care Units（Mt/Gt/∞キューイングモデルを用いたデータ駆動型ベッド容量計画：新生児集中治療室への応用）」の技術的な要約を以下に示します。

1. 問題定義と背景

集中治療室（ICU）、特に新生児集中治療室（NICU）では、需要（入院数）とサービス時間（在院日数：LOS）が時間とともに変動するため、長期的なベッド容量計画が困難です。

• 既存手法の限界: 従来の計画は、定常状態を仮定したキューイングモデル（M/M/c など）や、平均利用率を 85% 以下に抑えるという経験則（85% ルール）に依存しています。しかし、これらの手法は時間的な変動（季節性、急増など）や LOS の分散を考慮していないため、需要が変動する環境では実際の混雑（オーバーフロー）を過小評価し、容量不足を招くリスクがあります。
• 具体的な課題: カルガリー地域の NICU では、患者の転院が容量制約によって行われており、各施設の本来の需要を歪めています。また、需要と在院日数の両方が非定常的に変動するため、単純な平均値に基づく計画では、ピーク時のオーバーフローを回避できず、一方で平常時には過剰な容量（低利用率）となるジレンマが存在します。

2. 提案手法：データ駆動型フレームワーク

本研究は、時間変動する到着率と経験的に適合させた LOS 分布を用いたMt/Gt/∞キューイングモデル（時間変化する到着率とサービス時間を持つ無限サーバーモデル）に基づく新しいフレームワークを提案しています。

主要な構成要素

1. 到着率の推定（STL 分解）:
   • 過去の入院データを基に、Seasonal-Trend decomposition via Loess (STL) を適用し、トレンド、季節性、残差ノイズを分解します。
   • グリッドサーチにより最適な季節ウィンドウ（7 日、15 日、31 日など）とトレンドウィンドウを選択し、滑らかな時間変動する到着率 $\lambda_t$ を推定します。
2. LOS 分布のモデル化:
   • 在院日数（LOS）の平均 $\mu_t$ と分散 $\sigma^2_t$ を STL 分解とローリングウィンドウを用いて時間変化するものとして推定します。
   • 各施設ごとに、Weibull、対数正規、ガンマ、Fisk（Burr Type XII）、指数分布などのパラメトリック分布を適合させ、最も適合する分布を選択します（RMSE 最小化）。
   • 形状パラメータは時間的に安定していると仮定し、平均と分散に合わせてパラメータを再設定することで、時間変化する生存確率 $P(S > u | \tau = t-u)$ を構築します。
3. 容量推定（Mt/Gt/∞モデル）:
   • 期待される占用ベッド数 $\rho_t$ を、過去の到着と生存確率の畳み込み（Convolution）として計算します：
     $$\rho_t = \sum_{u=0}^{S_{max}} \lambda_{t-u} \cdot P(S > u | \tau = t-u)$$
   • このモデルは、到着が非定常ポアソン過程（NHPP）であり、LOS が独立であると仮定しています。
4. 容量計画戦略:
   • 平均ベース: 歴史的な平均値と平方根則（$\bar{\rho} + \sqrt{\bar{\rho}}$）に基づく基準。
   • オーバーフロー制約ベース: 利用率閾値 $\gamma$（例：85% 或いは 100%）を超え、かつ許容される超過リスク $\alpha$（例：1% または 5%）以下となる最小のベッド数 $B$ を求める確率的制約最適化問題として定式化します。
     $$\min B \quad \text{s.t.} \quad P(L_t > \gamma B) \leq \alpha$$
5. 将来予測モジュール:
   • 出生数予測と歴史的な入院シェア、季節パターンを組み合わせ、将来の需要シナリオを生成します。

3. 主要な貢献

• 非定常需要への適応: 定常状態の仮定を排し、時間変動する到着率と LOS 分布を統合した Mt/Gt/∞モデルを NICU 計画に応用した点。
• LOS 分散の重要性の解明: 平均 LOS だけでなく、LOS の分散（ばらつき）がピーク占用率に与える影響を定量的に評価しました。直感に反して、平均 LOS が一定の場合、分散が大きいと患者の退院が分散され、ピーク占用率が低下する（分散が小さいと退院が集中し、ピークが上昇する）という現象をモデルで捉えました。
• 解釈可能な計画フレームワーク: ブラックボックスな機械学習モデルではなく、統計的分解と確率論的キューイング理論に基づき、意思決定者がリスク許容度に基づいて容量を調整できる透明性の高い手法を提供しました。
• 転院の影響の調整: 容量制約による転院を元の施設に再帰することで、各施設の「本来の需要」に基づいた容量評価を可能にしました。

4. 結果と知見

カルガリー地域の 5 つの NICU 施設における実データ（2016-2023 年）を用いた検証結果は以下の通りです。

• 85% ルールの限界: 従来の 85% ルールや平均ベースの計画では、ピーク時に容量の 100% を超える日が頻発することが示されました（例：Site 3 では 23% 以上の日で 100% 超過）。
• リスク許容度と容量のトレードオフ:
  • オーバーフローリスクを 1%（$B_{0.01}$）に抑える場合、平均ベースの計画に比べてベッド数が大幅に増加し、平均利用率は低下します（例：Site 2 で 91% から 67% へ）。
  • 5%（$B_{0.05}$）のリスク許容度では、過剰な容量増加を抑えつつ、85% 超の利用率を抑制できるバランスが取れました。
• LOS 分散の影響: LOS の分散を 0（決定論的）にすると、ピーク需要に対応するために必要なベッド数が増加することが示されました。これは、分散があることで退院が時間的に分散され、ピークが緩和されるためです。
• 将来予測: 出生数予測に基づいたシミュレーションでは、リスク制約を厳しくするほど、将来の必要ベッド数が増加することが確認されました。

5. 意義と結論

本研究は、ICU 容量計画において「効率性（高い利用率）」と「レジリエンス（需要急増への耐性）」の間に本質的なトレードオフが存在することを明確に示しました。

• 政策への示唆: 単一の利用率目標（例：85%）を全施設に適用するのではなく、各施設の需要変動特性とリスク許容度に基づいた確率的な容量設定が不可欠です。
• 実用性: 提案されたフレームワークは、NICU に限らず、他の ICU や病院部門、さらには地域全体の容量計画にも適用可能です。
• 限界と将来展望: 1 日以内の変動や、混雑による LOS の変化（状態依存性）はモデル化されていませんが、将来的にはスタッフ配置や転院ルートの最適化と統合することで、より包括的な意思決定支援が可能になるとしています。

総じて、この論文は、不確実性が高い医療環境において、データと確率論的モデルを駆使して、レジリエントかつ効率的な医療資源配分を実現するための堅牢な手法論を提供しています。