推文作者：李舒湉 罗毓灵
编者按
Healthcare Management Science 近期论文汇总
Healthcare Management Science 论文精选（三月下）
1Monitoring policy in the context of preventive treatment of cardiovascular disease
https://link.springer.com/article/10.1007/s10729-022-09621-4
关键词：疾病诊断，马尔可夫决策过程
文章构建了一个马尔可夫模型来指导胆固醇监测政策改进。不同于既有研究， 本文构建的的马尔科夫模型考虑了性别和种族的影响以及社会成本优化。因为心血管疾病的预防所需要的监测频率低于其他疾病，研究中也关注了患者疾病未被检测出来之前的时间，并模拟了不同胆固醇监测政策背景对疾病结局的影响。第三，文章使用EM算法来估计监测的间隔时长导致的转移概率。结果显示，电子病历收集到的分布非均匀胆固醇和血压数据验证这个马尔科夫模型的有效性，也可以对ACC胆固醇监测指南提出更明确的改进方向。
2Tracking Covid‑19 cases and deaths in the United States: metrics of pandemic progression derived from a queueing framework
https://link.springer.com/article/10.1007/s10729-022-09619-y
关键词：流行病传播， 排队论
本研究主要是通过排队论的方法来测度COVID-19疾病流行的发展趋势及速度，通过度量实际的疾病传播的变化情况，为诊疗资源的规划提供参考。流行病传播的排队模型与普通的排队模型的不同之处主要有以下几个方面。一是到达事件不是独立事件，新的感染是接触既往感染的患者导致的，所以以前的“达到”会触发新的“到达”的影响。二是流行病的传播暴露会受到防控政策的影响，公共卫生政策(如卫生或保持距离的措施)和社区规范(如愿意遵守减少接触的标准)都会影响暴露的风险。三是病毒会出现不同方向的变异，进而改变疾病的传播性，影响新感染的比率。同时随着感染和疫苗接种的普及，群体免疫力提升，个体也获得病毒的免疫，进而新感染的人数也会减少。
另一方面，本文提出了一种新的疾病进展评估方法，通过某一时点感染和死亡的发生天数的平均值来评估疾病当下的流行状态进而指示疾病的流行是在加剧还是衰退。为了保障研究数据的时间一致性(特别是感染和死亡的报告)，研究使用了三个数据来源：包括报告病例和死亡的数据美国疾病控制中心(CDC)，以及使用推断方法来估计实际感染和死亡“心血管疾病预测”和“Covid-19预测”。使用本文提出的模型， 作者研究探索了美国50个洲COVID-19流行加速和衰退变化情况，结果显示随着2020年到2021年期间COVID-19大流行初逐渐在美国各地蔓延，各州的病例率和死亡率因周、月而异。
3A mixed‑integer slacks‑based measure data envelopment analysis for efficiency measuring of German university hospitals
https://link.springer.com/article/10.1007/s10729-022-09620-5
关键词：Standard Data Envelopment Analysis (DEA)，混合整数规划，实证研究
现有的Standard Data Envelopment Analysis (DEA)模型主要使用连续性和确定性的输入输出变量。本文提出了一个Slack-Based Measures DEA 模型。这一模型兼顾了输入和输出变量的灵活性且可以采用整数值。这一新提出的 SBMDEA 模型是是一个混合整数规划（MILP), 可以使用开源求解器求解。作者将本文提出的模型与既有DEA 模型进行比较，并在Kordrostami, et al.提出的模型的基础上，建立了一个新的目标函数，确保新的可加效率指数（additivie efficiengcy index) 介于零和一之间。作者使用来自德国28所大学医院的真实数据集进行实证研究，展示了提出模型的适用性。这一模型可以在包括资源分配、利用和规划在内的地方和国家卫生当局的决策过程中提供支持。
4Online scheduling using a fixed template: the case of outpatient chemotherapy drug administration
https://link.springer.com/article/10.1007/s10729-022-09616-1
关键词：在线调度，混合整数规划，启发式算法
本文研究了一个在线预约问题。不同于一般的First Come First Serve(FCFS)假设， 本文考虑了实践中常用的固定模版法（fixed templates），及根据预约服务时间和预约需求等因素来分配资源。以门诊化疗药物的预约为例，作者开发了一个启发式算法来进行预约调度。这一方法也可以运用于其他医疗预约问题。简单来说， 当有预约需求时，需求计划会被纳入二进制整数程序的成本系数的目标函数，实现在“模板”中进行预约，同时确定预约日期和时点。文章通过门诊化疗的例子来展示这个固定模板在线调度模型的通用性，案例主要考虑了两种资源，（1）整个预约服务期间的独享资源（2）确定预约后，多个预约的共享资源；考虑到门诊化疗预约的异质性（治疗时间从几分钟到几小时不等），这个固定模板可以在服务前为可能预约给出一个调度表，在目标函数上，模型不仅考虑到了最大化排版效率，也考虑到了不同利益相关者（患者、护士、诊室）的利益优化。通过仿真实验，提出模型在减少患者等待时间及治疗副作用等相关指标上具有很好的效果。