通过数据驱动的资源共享来缓解COVID-19大流行

科学领域:

• 医疗保健资源管理 医疗保健资源管理
• 运营研究 运营研究
• 流行病学 流行病学

背景情况:

• 由于COVID-19的爆发导致机械呼吸器短缺,导致医院购买过多的设备并取消可选手术.
• 这些措施造成了财务压力,并对非COVID-19患者的护理产生了负面影响.
• COVID-19传播的区域差异为资源共享提供了机会.

研究的目的:

• 开发一个数据驱动的适应性强大的基于模拟的优化 (DARSO) 方法,以实现机械通风机的最佳配置和搬迁.
• 通过解决当前可靠和随机模型的局限性,实现实时资源共享决策.

主要方法:

• 开发了一种新的数据驱动的适应性强大的基于模拟的优化 (DARSO) 方法.
• 实施了以政策为导向的方法和高效的算法框架.
• 与医学专家合作,在俄俄州和密歇根州的各地区进行了共享呼吸机的案例研究.

主要成果:

• 最佳政策满足了在俄俄州和密歇根州第一个流行病峰值期间的呼吸机需求.
• 与没有共享策略相比,呼吸机需求被满足了14% (有限共享) 到63% (完全共享) 的呼吸机.
• 与购买新机器相比,共享呼吸机的支出减少了5% (有限共享) 至44% (完全共享).

结论:

• 在公共卫生危机期间,DARSO方法提供了优化机械呼吸机分配和转移的有效策略.
• 资源共享可以显著减少所需的通风机总数和相关成本.
• 实施共享策略使医院能够保持可选手术的能力,改善整体患者护理.