摘要：

將一塊區域等分網格化或等分蜂窩格化通常是院前急救資源(如急救站點、急救車輛)分布分配的模型基礎，即院前均勻化模型。迄今為止，依據均勻化模型實現急救資源覆蓋仍是對院前問題認識的基本思想基礎。主要以深圳市寶安人民醫院院前科為觀察對象，通過院前急救空間大數據分析，提出了院前急救3個空間數據特征，即：非均勻特征、相對穩定特征、個體差異特征，為重新認識院前急救、更好地把握院前急救提供了新方法和新的決策依據。重點基于院前非均勻相對穩定特征提出了一種院前非均勻相對穩定模型的建模方法，并應用規劃數學探討了院前醫院站點優化計算分布。

0引言

院前急救涉及廣闊院前區域，到目前為止，對于院前急救的空間數據特征研究基本處于空白，這一狀況與院前急救事業的高速發展是不相匹配的。實際上，不僅僅需要掌握院前急救出車量數據，更需要了解其院前急救首次醫護接觸（First Medicine Contact，FMC）空間區域分布狀況，從而更全面揭示院前工作特性。

1空間大數據的獲取

院前急救涵蓋發病現場初級救助(BLS)以及急救車到達后FMC所提供的高級救助(ALS)。就急救車而言，在大急診急救體系內急救車可以理解為急診部門前出醫療單元，它包含眾多變量如醫護人員狀態信息、患者信息、醫療設備信息、車輛環境信息等，所有這些變量可以歸納為三大變量，即人、物、車，分別用X1、X2、X3代表[5-6]。通過車載智能傳感器，實現對急救車輛智能化輕改造，即能獲得變量組[X1，X2，X3]，經移動互聯網(4G)傳至云端計算服務器，形成物聯網絡，云端服務器依據人工智能神經元模型對各個變量分別進行濾波和加權計算，同時將醫療設備數據實時轉發至急診部門。本系統架構如圖1所示。

在這樣的云計算架構體系上，普通急救車輛已成為云支撐的智能車，自動實現急救出車時間數據記錄(如FMC2D時間等)，自動跟蹤車輛運行環境狀態，實時傳輸車上病患體征數據，實時傳輸車上視頻影像和問診語音信息等，此架構模式也為急救車智能化進一步發展(如智能循跡行駛、智能行駛等應用)奠定了基礎。圖2所示是急救出車救治鏈時間節點識別記錄截圖示意，這些院前數據為管理院前過程、提高急救臨床預后效果提供了相關評價依據。

本計算系統采用B/S架構，與各級醫院和急救中心以及個人用戶應用連接十分便利，實現資源共享，有利于大急診急救體系低成本建設擴展。

本文重點關注院前FMC時間和FMC空間位置分布數據疊加，通過對這些數據的觀察，實現對院前急救空間數據特征進行研究的目的。

2院前急救FMC熱域色譜圖分析

基于急救車智能化輕改造并聯網云計算應用，通過FMC空間數據分布積累，可實現基于電子地理信息系統GIS的FMC熱域色譜圖。圖3所示為深圳寶安區人民醫院急診醫學部院前科急救出車數據熱域色譜圖。

從圖3院前FMC熱域色譜圖上看，寶安醫院急救熱域集中偏重在第二、三象限。

圖4所示是另一急救單位連續兩個月時間段急救FMC熱域色譜分布圖,很明顯這家單位院前急救熱域則較為偏重集中于第一象限。

從以上觀察可知，FMC急救熱域分布并不是均勻的，一個地域的院前急救需求隨這個地域的社會屬性分布不同而不同，具有冷熱不均的區域特征，圖5是基于熱域圖上的區域網格化示意圖，很明顯，每個網格內的急救冷熱程度差距明顯。

可以借助于精準醫療的“基因組學”數據概念來解釋這一現象。組學數據概念在院前急救空間數據的研究中轉變為城市區域功能和人口分布特征，也就是說區域功能（行政功能、產業功能等）及人口分布與其對應的院前急救資源需求是不同的，由此而產生出急救熱域色譜分布的非均勻特征，即不同區域具有不同的宏觀“習慣”行為，從而形成一個城市獨特的院前個性化宏觀“組學基因”數據特征[9-10]。

綜上分析，可以得出院前急救小樣本研究的3個數據特征如下：

(1)非均勻性特征：一定范圍內院前急救是空間非均勻分布過程；

(2)相對穩定特征：院前急救在某些區域的發生概率是相對穩定的。這個現象將為定量分析區域急救需求提供數據依據；

(3)個體差異特征：不同醫院（站點）其熱域分布是不相同的。

上述3個特征為今后重新認識院前急救、更準確地把握院前急救決策模式提供了一定的基礎素材，同時也提出了一個對于院前急救觀察的全新角度。本文重點將對非均勻相對穩定特征的應用舉例描述。

在圖3中還發現，箭頭所指圈出區域是針對寶安公園發生的急救FMC現場點，它們有序地分布在公園門口區域，這一現象提醒人們公共場合急救資源投放(如AED設備的設置)應當盡可能重點布置于類似大門口等特別顯著的公共區域，如圖6所示，而不應均勻分布于公共場合內。

3院前急救非均勻相對穩定模型應用研究

按區域均勻分布院前急救資源是院前工作習慣為常的常規決策方法，包括急救站點的均勻分布、急救車輛和人員及物資分配等。然而實際情況是“平均”的院前工作決策模式常常使得院前急救資源處于“供不應求”或者“供大于求”的尷尬境地，在這種情況下不斷加大投入實際上是很難解決這個問題的，甚至相反會帶來更大的浪費。這就提出了差異化院前急救模式問題，以及解決差異化問題的方法。

院前非均勻相對穩定分布特征給考慮差異化院前急救問題提供了數據基礎，使得可以根據區域分布的冷熱差異化狀況區別對待，即根據不同區域的不同“熱量”定量計算各區域急救需求“強度”。同時，也可以定量分析各急救需求區域“重心”點，量化區域院前急救的“需求分布”。下面以兩例具體應用說明院前急救數據特征的實際用途。

(1)高效建立寶安區網格化初級救護員隊伍

為了實現對危急重癥患者(如心搏驟停患者)提供早期心肺復蘇，深圳市寶安區開始籌建一支具有初級救護技能的社會隊伍，這支隊伍以現有網格化區域管理員為基礎，通過展開心肺復蘇技能培訓，實現在寶安區內初級救護員隊伍的覆蓋。這里的問題是如何高效快速地建立起這支隊伍，使之發揮應有的作用。如果按照原有均勻網格分布模型方法從上至下、從左至右地展開培訓工作，可想而知，這樣做的結果是投入較大的工作量卻只能取得一個低速、低效率的推進結果，事倍功半。

這里應用區域內非均勻相對穩定模型來快速解決覆蓋問題則能起到立竿見影的效果。以寶安醫院院前熱域圖為例，如圖7所示，如果優先對熱域網格人員組織培訓，則可在相對短時間內達到快速覆蓋區域急救需求80%以上區域，見圖7粗線網格域。因此，這樣基于空間大數據決策的工作方法，其工作效率將大大提高，事半功倍！

(2)最優急救醫院站點部署規劃

這里僅從最優化的角度觀察區域急救需求與急救資源的匹配關系。如圖8所示，首先將急救熱域區塊化，以區塊重心點為中心即可得如圖9所示院前非均勻模型，圖中Sj(j=1，2，…，10)代表急救熱域區塊中心點。圖10是該區域內所有醫院相對于急救熱域的空間分布狀況，hi(i=1，2，…，12)表示急救區域內分布的醫院站點，顯示出院前急救需求與供給對應關系。

為實現最優效率供給覆蓋，即如何使用最少醫院站點滿足急救覆蓋需求。這里設1-0變量xij=[1，0](當hi承擔Sj區域急救時為1，反之為0)，則按圖10供給系統總體最小距離成本Z的數學模型為：

式中，i=1，…，12；j=1，…，10；Cij為醫院相對急救點分布距離值。

這里不對式(1)具體求解過程進行繁瑣描述，僅給出依據圖10系統問題在最短總距離原則下最優規劃醫院站點分布解為H=[h2，h5，h6，h11]，見圖11。由圖11可知，在圖10中的12家醫院中選取如圖11的4家醫院即可實現圖8區域的急救需求覆蓋。根據每個點Sj的“熱量”可以進一步給出各家醫院所應承擔的任務量，根據任務量又可以定量計劃具體裝備車輛、具體設備及藥品量分配[9-10]。上述這一優化計算過程簡要說明了基于院前非均勻相對穩定特征模型的最優急救醫療資源的規劃匹配計算。值得注意的是，從目前我國急診學科建設的角度看，將有限的資源集中在幾個重點醫院部門更有利于突出樣板建設效果，以點帶面推動整個地區急救急診水平發展。將規劃數學方法應用于差異化院前急救可以形成一套新的院前急救方法論體系，從而促進大急診急救理論體系進步發展。

需要說明的是，根據圖5觀察的院前色譜云圖其邊緣分布實際在一段時期會發生改變，因此最優院前資源分配決策也需要對應隨之而變，差異化院前急救模式是需求與供給優化匹配的動態過程，也是計算服務系統不斷迭代計算的輔助決策過程。

4結論

本文針對深圳寶安人民醫院院前模型在差異化院前急救方面進行了研究探討，拋磚引玉，不足之處在所難免。正如大家所知，“院前”是一個復雜領域，還需要更多深入工作，發現其規律，為實際工作提供更多理論依據。期待與急診急救廣大同仁展開更多合作，推動我國院前工作進一步提高發展。