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

Each language version is independently generated for its own context, not a direct translation.

1. 문제: "85% 규칙"이라는 낡은 지도

병원들은 오랫동안 **"병상 사용률이 평균 85% 를 넘지 않게 하라"**는 규칙을 따랐습니다. 마치 "자동차 트렁크를 85% 만 채우면 짐을 실을 때 여유가 있다"고 생각하는 것과 비슷합니다.

하지만 이 연구는 **"그건 옛날 이야기야!"**라고 말합니다.

왜? 환자 입원은 매일 달라지기 때문입니다. 겨울엔 감기 환자가 몰리고, 여름엔 다릅니다.
결과: 평균만 보면 85% 라도, 특정 날에는 병상이 100% 를 넘어서 환자가 누울 곳이 없어지는 '혼란'이 발생합니다. 마치 평일에는 트렁크가 85% 차지만, 주말에는 120% 가 되어 짐이 바닥에 쏟아지는 상황과 같습니다.

2. 해결책: "날씨 예보"를 보는 새로운 방법

연구팀은 **"Mt/Gt/∞"**라는 복잡한 수학적 모델을 사용했습니다. 이를 쉽게 비유하자면 **"정교한 날씨 예보 시스템"**입니다.

기존 방식 (정적 모델): "올해 평균 비는 10mm 이다"라고만 보고 우산을 준비하는 것입니다.
새로운 방식 (동적 모델): "내일은 아침에 소나기가, 오후에는 태풍이 올 수 있다"고 예측하고, 그 시간에 맞춰 우산을 준비하는 것입니다.

이 연구는 과거 데이터를 분석해서 **① 언제 환자가 몰리는지 (입원 패턴)**와 **② 환자가 얼마나 오래 머무는지 (퇴원 패턴)**를 매일매일 예측합니다.

3. 핵심 발견: "변동성"이 중요해요

이 연구에서 가장 재미있는 발견은 **'환자가 머무는 시간의 불규칙성'**입니다.

비유: 만약 모든 환자가 정확히 5 일만 머문다면 (변동성 없음), 병상 계획은 쉽습니다. 하지만 어떤 환자는 2 일 만에 퇴원하고, 어떤 환자는 20 일 동안 머물면 (변동성 큼), 병상 계획은 훨씬 복잡해집니다.
역설적인 사실: 연구팀은 "환자가 머무는 시간의 편차가 커질수록 병상 부족 위험은 줄어든다"는 놀라운 사실을 발견했습니다.
- 이유: 환자들이 제각각 다른 시간에 들어오고 나가면 (변동성 큼), 병상이 동시에 꽉 차는 '피크'가 줄어들기 때문입니다. 반대로 모두 비슷한 시간에 들어오고 나가면 (변동성 작음), 병상이 순식간에 꽉 차게 됩니다.

4. 제안: "안전 마진"을 두는 계획

연구팀은 두 가지 계획안을 제시합니다.

평균 계획 (기존 방식): "평균적으로 85% 를 쓰면 되겠지"라고 계산. -> 위험: 특정 날에 병상이 부족해져 환자가 대기실 (또는 다른 병원) 로 쫓겨날 수 있음.
안전 계획 (새로운 방식): "하루 중 95% 혹은 99% 의 날에는 병상이 부족하지 않아야 한다"고 계산.
- 이 방법은 평균 사용률은 60~70% 로 낮아지지만, 갑작스러운 환자 급증 (Surge) 에 대비해 병상이 항상 비어있는 여유를 만듭니다.
- 비유: "평소엔 70% 만 채우고, 30% 는 비상용 트렁크 공간으로 남겨두는 것"입니다. 효율성은 조금 떨어지지만, 위급 상황에서는 생명을 구합니다.

5. 미래 예측: "아기 출산 수"를 보고 계획하기

이 연구는 과거 데이터뿐만 아니라 미래의 출생 수를 예측하여 병상 수를 계산합니다.

Calgary 지역의 출산 수 추이를 보고, "내년에는 아기들이 10% 더 태어날 테니, 병상도 10% 더 늘려야겠다"라고 계산합니다.
또한, 각 병원마다 환자가 어떻게 분포하는지 (어떤 병원은 심한 아기가 많고, 어떤 병원은 경미한 아기가 많음) 를 고려하여 병원별 맞춤형 계획을 세웁니다.

요약 및 결론

이 논문은 **"병원 계획을 할 때 '평균'만 믿으면 안 된다"**고 경고합니다.

기존: "평균 사용률 85% 유지" -> 결과: 가끔 병상이 꽉 차서 환자가 누울 곳이 없음.
새로운 제안: "날짜별 변동성을 고려한 예측" + "안전 마진 확보" -> 결과: 평소엔 병상이 좀 비어있을지라도, 위급할 때는 항상 병상이 준비되어 있음.

결론적으로, 효율성 (병상을 꽉 채우는 것) 보다는 회복탄력성 (갑작스러운 환자에 대처하는 것) 을 우선시하는 계획이 필요하다는 것을 데이터로 증명했습니다. 이는 병원 경영진에게 "비어있는 병상도 중요한 자원이다"라는 메시지를 전달합니다.

Each language version is independently generated for its own context, not a direct translation.

논문 개요

이 논문은 불확실한 수요와 시간의 흐름에 따라 변하는 입원 기간 (Length of Stay, LOS) 을 고려할 때, 중환자실 (ICU) 의 장기 병상 계획 수립을 위한 데이터 기반 프레임워크를 제안합니다. 저자들은 전통적인 정상 상태 (steady-state) 큐잉 모델이나 고정된 파라미터를 사용하는 휴리스틱 규칙 (예: 85% 점유율 규칙) 의 한계를 지적하고, 시간 가변적 도착률 ( $\lambda_t$ ) 과 경험적으로 적합된 LOS 분포를 가진 $M_t/G_t/\infty$ 큐잉 모델을 도입하여 캘거리 지역의 신생아 중환자실 (NICU) 데이터를 기반으로 병상 점유율을 추정하고 병상 수를 계획하는 방법을 제시합니다.

1. 문제 정의 (Problem Statement)

비정상적 수요 (Non-stationary Demand): ICU 수요는 계절성, 인구 역학, 임상 관행 변화 등으로 인해 시간에 따라 변동합니다.
LOS 의 이질성: 환자의 중증도, 동반 질환, 병원별 프로토콜에 따라 입원 기간 (LOS) 이 크게 달라지며, 이는 점유율 변동성을 결정합니다.
전통적 모델의 한계:
- 정상 상태 가정: 장기 평균 도착률과 LOS 를 가정하는 기존 모델은 피크 기간의 혼잡을 과소평가하거나, 역사적 피크에 의존하여 과잉 공급을 유도할 수 있습니다.
- 85% 규칙의 실패: 평균 점유율을 85% 이하로 유지하라는 규칙은 정상 상태를 가정하지만, 실제 일일 점유율은 이 규칙을 무시하고 100% 를 초과하는 경우가 빈번합니다.
목표: NICU 의 실제 수요를 충족시키기 위해 각 사이트가 필요한 병상 수를 추정하고, 시간 변동성을 반영하여 특정 재해성 (resilience) 목표 (예: 병상 초과 확률) 를 달성할 수 있는 병상 수를 결정하는 것입니다.

2. 방법론 (Methodology)

연구팀은 $M_t/G_t/\infty$ (시간 가변적 무한 서버 큐) 모델을 기반으로 한 4 단계 프레임워크를 개발했습니다.

2.1. 데이터 전처리 및 도착률 추정 (Arrival Rate Estimation)

STL 분해 (Seasonal-Trend decomposition using Loess): 일별 입원 데이터를 추세 (Trend), 계절성 (Seasonality), 잔차 (Residual) 로 분해하여 매끄러운 시간 가변적 도착률 ( $\lambda_t$ ) 을 추정합니다.
그리드 서치: 계절성 (7, 15, 31 일) 및 추세 윈도우 (15, 31, 61 일) 등을 최적화하여 잔차 표준 편차를 최소화하는 설정을 선택합니다.

2.2. LOS 분포 모델링 (LOS Distribution Modeling)

모멘트 추정: STL 분해와 롤링 윈도우를 사용하여 시간 가변적 평균 LOS ( $\mu_t$ ) 와 분산 ( $\sigma^2_t$ ) 을 추정합니다.
모수적 적합 (Parametric Fitting): Weibull, Lognormal, Gamma, Fisk (Burr Type XII), Exponential 등 5 가지 분포를 후보로 선정하여 역사적 LOS 데이터에 적합시킵니다.
최적 분포 선정: 각 사이트별로 Kaplan-Meier 추정치와 모수적 생존 함수 간의 RMSE 를 비교하여 최적 분포를 선택합니다. (예: Site 1, 2 는 Fisk, Site 3, 5 는 Exponential 등)
조건부 생존 확률: 선택된 분포를 기반으로 시간 $t-u$ 에 입원한 환자가 시간 $t$ 까지 입원 중일 확률 $P(S > u | \tau = t-u)$ 를 계산합니다.

2.3. 점유율 추정 및 병상 계획 (Occupancy Estimation & Capacity Planning)

점유율 계산: 과거 입원 데이터와 생존 확률의 컨볼루션 (Convolution) 을 통해 일별 기대 점유율 ( $\rho_t$ ) 을 계산합니다.
$\rho_t = \sum_{u=0}^{S_{max}} \lambda_{t-u} \cdot P(S > u | \tau = t-u)$
계획 전략 비교:
1. 평균 기반 (Average-based): 장기 평균 점유율에 표준 편차 ( $\sqrt{\bar{\rho}}$ ) 를 더한 기준 ( $B_{average}$ ).
2. 오버플로우 제약 기반 (Overflow-constrained): 특정 확률 $\alpha$ (예: 1%, 5%) 로 점유율이 병상 수 $B$ 를 초과할 확률을 제한하는 최적화 문제.
  $\min B \quad \text{s.t.} \quad P(L_t > \gamma B) \le \alpha$
  여기서 $L_t$ 는 Poisson 분포를 따르는 실제 점유 병상 수입니다.

2.4. 미래 전망 (Future Projection)

출생 기반 전망: 지역 출생 예측치와 역사적 입원 비율, 계절적 패턴을 재표본추출 (Resampling) 하여 미래 (2024-2030 년) 의 병상 수요를 시나리오 기반으로 예측합니다.

3. 주요 결과 (Key Results)

캘거리 지역 5 개 NICU 사이트 (2016-2023 년 데이터) 에 대한 적용 결과는 다음과 같습니다.

전통적 규칙의 실패: 평균 기반 추정 ( $B_{average}$ ) 은 실제 병상 수와 유사하거나 낮게 산출되지만, 이는 시간 변동성을 무시하여 피크 기간의 병상 초과 (Overload) 위험을 과소평가합니다. 특히 Site 3 의 경우, 85% 규칙을 적용했을 때 일일 점유율이 100% 를 초과하는 날이 23% 이상 발생했습니다.
재해성 기반 전략의 우위:
- $B_{0.05}$ (5% 초과 확률 제한): 평균 점유율은 약 64.74% 로 낮아지지만, 병상 초과 위험을 5% 이하로 통제합니다.
- $B_{0.01}$ (1% 초과 확률 제한): 평균 점유율은 약 56.36% 로 더 낮아지지만, 재해성에 가장 강력한 보장을 제공합니다.
- 효율성 vs 재해성 트레이드오프: 병상 수를 늘려 초과 위험을 줄이면 평균 활용도는 감소합니다. 이는 운영 효율성과 재해성 간의 명확한 상충 관계를 보여줍니다.
LOS 분산의 영향: 흥미롭게도, 평균 LOS 가 고정된 상태에서 LOS 분산 (Variance) 이 증가하면 병상 초과 위험을 줄이기 위해 필요한 병상 수가 감소하는 경향이 관찰되었습니다. 이는 분산이 커질수록 퇴원 시점이 분산되어 환자 군 간의 중첩 (Overlap) 이 줄어들기 때문입니다. (반대로 분산이 작으면 퇴원이 집중되어 피크 점유율이 높아짐)
미래 전망: 인구 증가 (출생 수 증가) 를 반영한 전망 시, 2030 년까지 $B_{0.01}$ 전략을 따를 경우 현재 병상 대비 8~13 개 추가 병상이 필요할 것으로 예상됩니다.

4. 주요 기여 (Key Contributions)

데이터 기반 비정상 큐잉 모델 적용: STL 분해와 모수적 LOS 모델링을 $M_t/G_t/\infty$ 프레임워크에 통합하여, 시간 변동성과 LOS 분산성을 동시에 고려한 해석 가능한 병상 계획 도구를 개발했습니다.
정량적 재해성 기준 제시: 단순한 평균 점유율 목표 대신, "병상 초과 확률"이라는 명시적인 확률적 제약 조건을 통해 병상 수를 결정하는 방법론을 제시했습니다.
LOS 분산의 중요성 규명: 평균 LOS 뿐만 아니라 LOS 의 분산 (Dispersion) 이 병상 수요와 피크 점유율에 미치는 영향을 정량화하여, 기존 연구들이 간과했던 요소를 강조했습니다.
다중 사이트 네트워크 분석: 환자 이송 (Transfer) 으로 인한 왜곡을 보정하여 각 사이트가 자체 수요를 충족하기 위해 필요한 실제 병상 수를 추정함으로써, 지역적 불균형을 식별했습니다.

5. 의의 및 시사점 (Significance)

정책적 함의: 85% 와 같은 고정된 점유율 규칙은 변동성이 큰 ICU 환경에서는 부적합할 수 있으며, 기관의 위험 허용도 (Risk Tolerance) 에 따라 유연한 병상 계획이 필요함을 시사합니다.
실무 적용: 이 프레임워크는 NICU 에 국한되지 않고 다른 ICU 또는 병원 단위에도 적용 가능하며, 인구 통계학적 변화와 임상 프로토콜 변경에 따른 시나리오 분석을 지원합니다.
효율성과 재해성의 균형: 병상 부족으로 인한 진료 지연을 방지하기 위해 병상을 늘리는 것은 평균 활용도를 낮추는 결과를 초래하므로, 임시 병상이나 유연한 인력 운영과 같은 대체 수단을 고려한 종합적인 전략이 필요함을 강조합니다.

이 논문은 불확실성이 높은 의료 환경에서 데이터와 큐잉 이론을 결합하여 과학적이고 해석 가능한 병상 계획 수립을 가능하게 한다는 점에서 중요한 의의를 가집니다.

Data-Driven Bed Capacity Planning Using Mt/Gt/∞M_t/G_t/\inftyMt​/Gt​/∞ Queueing Models with an Application to Neonatal Intensive Care Units