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.

这篇文章讲述了一个关于如何更聪明地规划医院新生儿重症监护室（NICU）床位的故事。

想象一下，NICU 就像一个繁忙的“婴儿托儿所”，里面的小宝宝因为生病或早产需要特殊的照顾。医院管理者面临一个巨大的难题：到底该准备多少张床才够？

🏥 过去的做法：用“平均数”猜谜

以前，医院管理者就像是在玩一个**“猜平均气温”**的游戏。他们会看过去几年的数据，算出平均每天有多少宝宝入院，平均每个宝宝住多久，然后得出一个“平均占用率”。

旧规则（85% 法则）： 就像开车时，老司机常说“保持 85% 的油门，留点余地”。医院也遵循这个规则，认为只要平均床位使用率不超过 85%，就是安全的。
问题所在： 这个规则有一个大漏洞——它假设每天的情况都一样。但现实是，宝宝们的到来就像天气一样，有时是晴天（平时），有时是暴风雨（流感季或早产高峰期）。
- 如果只看“平均气温”，你会在暴风雨天被淋成落汤鸡。
- 论文发现，即使长期平均看起来只有 85%，但在某些日子里，床位瞬间爆满甚至超过 100%，导致医生手忙脚乱，甚至不得不把宝宝转走。

🚀 新的方法：像“天气预报”一样精准

这篇论文提出了一套**“数据驱动的天气预报系统”**，用来预测床位需求。他们不再只看平均值，而是把时间拆碎了看。

1. 拆解“ arrivals"（入院流）：像分析潮汐

研究人员把每天的入院数据像潮汐一样拆解：

趋势（Trend）： 是长期在涨还是跌？（比如人口在增加）。
季节（Seasonality）： 有没有固定的“旺季”？（比如某些月份出生率更高）。
噪音（Noise）： 那些随机的小波动。
他们使用了一种叫 STL 的数学工具（就像给数据做“美颜”和“去噪”），把平滑的、真实的入院趋势提取出来，而不是被偶尔的突发状况骗了。

2. 预测“停留时间”（LOS）：像预测快递时长

宝宝住多久（LOS）也是关键。以前大家只看“平均住几天”。但论文发现，“住多久”的波动比“平均住多久”更重要。

比喻： 想象你在等快递。如果快递平均 3 天到，但有时 1 天，有时 10 天，这种不确定性会让你的仓库（床位）很难规划。
他们给每个医院的数据“穿”上了不同的数学外衣（比如威布尔分布、对数正态分布），精准地模拟出宝宝们什么时候会出院。

3. 核心模型：无限服务器队列（Mt/Gt/∞）

这是一个听起来很复杂的数学模型，但我们可以把它想象成一个**“无限大的停车场”**：

在这个模型里，假设只要有车（宝宝）来，就有车位（因为 NICU 是救命地方，不能让宝宝在门口排队等床，必须立刻收治）。
但是，车位会被占满。如果进来的车太多，或者大家停的时间太长，停车场就会溢出。
这个模型能计算出：在考虑了每天不同的入院量和不同的停留时间后，哪一天停车场最可能爆满？

📊 发现了什么？（有趣的结论）

“平均数”会骗人： 如果只按平均数规划，很多医院在高峰期会严重缺床。比如某医院按旧规则只需要 14 张床，但新模型发现，为了应对高峰，实际上需要 26 张甚至 31 张床。
越“安全”越“浪费”？ 这是一个两难选择：
- 如果你想要极高的安全性（比如 99% 的日子都不爆满），你就需要很多备用床位，平时这些床可能是空的（利用率低）。
- 如果你想要高效率（平时尽量不空床），那高峰期就更容易爆满。
- 论文建议医院管理者明确自己的风险偏好：你是愿意多花钱买安全，还是愿意冒一点险追求效率？
波动性是个双刃剑： 这是一个反直觉的发现。如果宝宝们的住院时间非常整齐划一（比如大家都正好住 5 天），反而可能导致床位更紧张，因为大家会同时出院、同时入院，造成“潮汐式”拥堵。如果住院时间参差不齐（有的 3 天，有的 7 天），大家错开进出，反而能缓解拥堵。

🌍 未来的展望

这套系统不仅能看过去，还能看未来。

它结合了人口出生预测（比如未来几年 Calgary 地区会有多少新生儿）。
它能告诉医院：“根据出生率预测，到 2030 年，你们可能需要增加 5 到 10 张床位，才能保持同样的安全水平。”

💡 总结

这就好比不再用“平均气温”来决定穿什么衣服，而是看**“未来一周的天气预报”。
这篇论文告诉医院管理者：不要只盯着“平均数”过日子。要利用数据，看清波动的规律**，提前准备好应对“暴风雨”的床位，这样当真正的危机来临时，医院才能从容应对，让每一个宝宝都能及时得到救治。

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

这是一份关于论文《Data-Driven Bed Capacity Planning Using Mt/Gt/∞Queueing Models with an Application to Neonatal Intensive Care Units》（基于 Mt/Gt/∞排队模型的数据驱动床位容量规划及其在新生儿重症监护室的应用）的详细技术总结。

1. 研究背景与问题定义 (Problem)

核心挑战：
医院重症监护室（ICU），特别是新生儿重症监护室（NICU），面临长期床位容量规划的难题。主要困难在于需求的不确定性：

非平稳性 (Non-stationarity)： 入院率随时间波动（受季节性、人口动态影响），且住院时长（LOS）分布因患者异质性、临床实践变化而演变。
传统方法的局限性： 现有的规划通常依赖稳态排队模型（假设到达率和服务时间恒定）或启发式规则（如"85% 占用率规则”）。这些方法基于长期平均值，忽略了时间维度的波动性。
实际后果： 即使长期平均利用率满足目标，日常占用率仍可能频繁超过 100%，导致拥堵、资源紧张和护理质量下降。传统的平均值方法无法捕捉峰值期的拥堵风险。

研究目标：
开发一个数据驱动的框架，利用非平稳排队模型（Mt/Gt/∞），结合时变的到达率和经验拟合的 LOS 分布，来估算 ICU 床位占用情况，并制定具有明确韧性（Resilience）目标的容量规划策略。

2. 方法论 (Methodology)

该研究提出了一套完整的建模流程，应用于加拿大卡尔加里地区 5 个 NICU 站点的多年度数据（2016-2023）。

2.1 核心模型：Mt/Gt/∞排队系统

模型选择： 采用无限服务器排队模型（Mt/Gt/∞）。
- Mt (Time-varying Poisson)： 允许到达率 $\lambda_t$ 随时间变化。
- Gt (Time-varying General)： 允许住院时长（LOS）分布随时间变化。
- ∞ (Infinite Server)： 假设无限服务器，反映重症监护中“立即收治”的优先级（即没有排队等待，拥堵表现为超负荷而非等待队列）。
占用率计算： 第 $t$ 天的预期占用床位 $\rho_t$ 通过卷积计算得出：
$\rho_t = \sum_{u=0}^{S_{max}} \lambda_{t-u} \cdot P(S > u \mid \tau = t-u)$
其中， $P(S > u \mid \tau = t-u)$ 是患者在 $t-u$ 天入院后，在第 $t$ 天仍住院的条件生存概率。

2.2 数据驱动组件

到达率估计 (Arrival Rate Estimation)：
- 使用 STL 分解 (Seasonal-Trend decomposition via Loess) 处理每日入院数据。
- 通过网格搜索（Grid Search）优化季节性和趋势窗口，提取平滑的趋势项作为时变到达率 $\lambda_t$ 的估计，有效分离了噪声、季节性和长期趋势。
LOS 分布建模 (LOS Distribution Modeling)：
- 同样利用 STL 分解提取时变的平均 LOS ( $\mu_t$ ) 和方差 ( $\sigma^2_t$ )。
- 拟合多种参数分布（Weibull, Lognormal, Gamma, Fisk, Exponential）。
- 关键创新： 发现分布的形状参数（如 Weibull 的 $\kappa$ ）在时间上相对稳定，因此固定形状参数，仅根据 STL 提取的时变矩（均值和方差）重新参数化分布，从而构建时变的条件生存概率。
容量规划策略 (Capacity Planning Strategies)：
- 基准策略 (Average-based)： 基于历史平均到达率和平均 LOS，加上泊松过程的平方根缓冲（ $\bar{\rho} + \sqrt{\bar{\rho}}$ ）。
- 溢出约束策略 (Overflow-Constrained)： 设定一个可接受的溢出风险阈值 $\alpha$ （如 1% 或 5%）。求解最小床位 $B$ ，使得占用率超过容量 $B$ （或利用率阈值 $\gamma B$ ）的概率 $P(L_t > \gamma B) \le \alpha$ 。利用泊松分布的尾部概率进行计算。

2.3 前瞻性预测 (Forward-looking Projection)

结合人口统计学预测（出生率），构建基于出生驱动的预测模块。
通过重采样历史年份的日内到达模式和 LOS 模式，生成未来年份（至 2030 年）的床位需求情景范围，同时考虑人口增长和结构性漂移。

3. 关键贡献 (Key Contributions)

非平稳排队框架的应用： 将 Mt/Gt/∞模型引入医院长期容量规划，克服了传统稳态模型无法捕捉时间波动性的缺陷。
混合建模方法： 结合了统计分解（STL）用于提取趋势，参数分布拟合用于捕捉尾部风险，以及排队论用于推导占用率。这种方法既具有解析解的透明度，又具备数据驱动的灵活性。
量化效率与韧性的权衡： 明确展示了基于平均利用率的规划（如 85% 规则）与基于溢出概率的规划之间的权衡。后者虽然降低了平均利用率，但显著降低了超负荷风险。
LOS 方差的影响分析： 揭示了在无限服务器模型中，LOS 方差的变化对峰值占用率的影响机制（方差增加反而可能分散出院时间，降低峰值拥堵，这与直觉相反，但在非平稳环境下至关重要）。
多站点网络视角： 处理了多站点间的患者转移问题，通过调整数据将因容量限制导致的转移归因回原站点，从而评估各站点在独立承担需求时的真实容量需求。

4. 主要结果 (Results)

基于卡尔加里 5 个 NICU 站点的数据分析得出以下结论：

传统规则的失效： 传统的"85% 占用率规则”或基于平均值的估算严重低估了容量需求。例如，Site 3 在遵循 85% 规则下，超过 23% 的天数实际占用率超过 100%，且存在大量低占用天数，表明规划缺乏韧性。
溢出约束策略的有效性：
- 采用 $B_{0.05}$ （5% 溢出风险）和 $B_{0.01}$ （1% 溢出风险）策略，虽然降低了平均利用率（从 85% 降至 56%-65%），但显著减少了超负荷天数。
- 对于 Site 2（最大站点），实际床位为 39 张，但 $B_{0.01}$ 建议需要 90 张床位，揭示了巨大的容量缺口。
LOS 方差的敏感性： 敏感性分析显示，在固定平均 LOS 的情况下，降低 LOS 方差（ $\beta < 1$ ）反而增加了满足特定溢出风险所需的床位数量。这是因为低方差导致出院时间集中，增加了短期重叠和峰值拥堵；而高方差分散了出院时间，平滑了占用曲线。
未来预测： 基于出生率预测的 2024-2030 年情景显示，为了维持低溢出风险，各站点所需的床位数量将比基于平均值的估算多出 4-13 张不等。

5. 意义与启示 (Significance)

政策制定支持： 该框架为医院管理者提供了超越简单平均值的决策工具，能够量化不同风险偏好下的床位需求，支持更具韧性的长期规划。
资源分配优化： 揭示了多站点网络中通过转移掩盖的结构性供需失衡，建议将转移政策纳入区域容量规划，而非仅视为运营应急手段。
通用性： 虽然以 NICU 为例，但该框架（Mt/Gt/∞ + STL + 参数拟合）可推广至其他 ICU 或住院科室，适用于任何具有时变到达和复杂服务时长分布的医疗场景。
效率与韧性的平衡： 研究明确指出，在需求波动的非平稳系统中，追求高平均利用率必然增加拥堵风险。管理者需要在运营效率（高利用率）和系统韧性（低溢出风险）之间做出明确的战略选择。

总结：
该论文通过引入时变排队模型和数据驱动的统计方法，解决了传统 ICU 容量规划中忽视时间波动性的核心痛点。它证明了基于概率约束的容量规划比基于平均值的启发式规则更能有效应对需求不确定性，为应对未来人口变化和医疗资源压力提供了科学、可解释的决策支持框架。

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