使用网络分析模拟 SARS Cov2 大流行对医疗保健系统内急性患者护理的影响

科学报告|(2022) 12:10050| https://doi.org/10.1038/s41598-022-14261-31 打开使用网络分析建模SARS Cov2 大流行对医疗保健系统内急性患者护理的影响凯瑟琳娜·科勒1, Matthew D. Jankowski2, Tom Bashford3, Deepi G. Goyal4, Elizabeth B. Habermann5 & Laura E. Walker4美国医疗保健的整合导致了整合的组织，涵盖了广阔的地理区域，提供不同的服务和复杂的患者流程。 在 SARS Cov2 大流行期间，患者数量和行为发生了深刻变化，但跨组织了解这些变化具有挑战性。 网络分析提供了一种新的方法来解决这个问题。 我们回顾性地评估了在由 18 家医院组成的医疗保健系统中，以医院为基础的急诊科就诊次数，将患者转移作为未满足临床需求的标志。 我们使用网络分析开发了转移的定量模型，该模型结合了大流行前（2018 年 5 月 25 日至 2020 年 3 月 16 日）和大流行中期（2020 年 3 月 17 日至 3 月）期间提供的护理水平（病房、渐进式护理、重症监护） 2021 年 8 月 8 日）时间段。 评估了 829,455 次遭遇。 该系统作为一个非小世界、非无尺度、分离的网络发挥作用。 我们的模型反映了两个时间点之间转移目的地的多样化和数量的变化——这是大流行期间有意努力的结果。 已知的轮辐架构与定量分析相关。 在一家综合性美国医疗保健组织中应用网络分析证明了护理模式的变化以及应对 SARS Cov2 大流行的瓶颈的出现，与临床经验一致，提供了一定程度的面部有效性。多重影响的建模可以识别对压力的敏感性和加强系统的机会。患者运动常见且大量的地方。该技术提供了一种机制来分析有意和上下文变化对系统行为的影响。在美国 (US)，提供高质量的医疗保健是一项日益严峻的挑战，因为医疗保健经济学已经导致个体提供者和较小的群体整合到更大的系统中1.农村医院和诊所的关闭减少了当地的访问并增加了前往较大中心的旅行2.虽然从一家农村医院分流的影响可能很容易被一个大型中心吸收，但从多家较小医院转移的患者最终可能会压倒接收中心的容量，从而需要增加床位3.美国医疗保健企业包括提供不同服务的不同规模的医院和诊所。通过急诊科 (ED) 入院，通过根据患者和医院特征创建各种潜在的护理途径，给这些组织带来了挑战。此外，这些访问本质上是出乎意料的，并且包括异质人群。与选择性入院相比，紧急护理路径的界定不太清楚。由于患者选择的 ED/医院与专业服务的分布不匹配，这进一步复杂化，可能需要在站点之间进行转移。最近，SARS Cov2 大流行通过改变就诊患者的数量、临床特征和医疗保健服务的可用性，影响了急诊入院4.了解定义利用率的患者流程变得至关重要，因为卫生系统确定如何最好地战略性地定位和扩展资源以确保患者访问。1 英国剑桥大学医学系。 2美国明尼苏达州罗切斯特梅奥诊所信息技术系。 3英国剑桥大学医学与工程系。 4美国明尼苏达州罗切斯特市梅奥诊所急诊医学部。 5Kern 医疗服务科学中心，梅奥诊所，罗切斯特，明尼苏达州，美国。电子邮件：kk371@cam.ac.uk 科学报告|(2022) 12:10050 |https://doi.org/10.1038/s41598-022-14261-32医疗保健组织可以被概念化为系统，这些系统可能表现出复杂的行为，这些相互作用的总和导致系统行为难以预测5.可以使用定性或定量技术研究复杂系统。网络分析提供了一种既定的定量方法6用于描述来自万维网的一系列复杂系统6 到社交网络7.在网络科学中，一个复杂的系统被表示为一组通过连接（边）交互的组件（节点）。这提供了一种感兴趣系统的可视化方法，允许对其结构和功能进行调查。该方法已在一系列医疗保健环境中使用8，例如：模拟疾病爆发9, 患者转诊网络10, 病人在急诊室的移动11急诊手术患者的资源利用和资源利用13.网络分析中的重要概念既与单个节点有关，也与整个系统结构有关。节点可以通过它们的连通性（度）、与其他节点的关联（分类性和聚类系数）以及对网络的重要性（中介中心性）来描述。整体结构可以通过参数来描述，例如平均最短路径、密度（存在的可能边缘的分数）、整体分类性和聚类系数。然后将这些指标结合起来，将网络描述为小规模、高聚类和短路径长度，允许节点之间的有效连接，或者无标度，其中度分布遵循幂律并包含大量高度连接的集线器节点。现实世界的网络通常被认为是无标度的，并表现出复杂的行为，例如非线性和路径依赖性，然而这一直受到质疑14.我们的目标是在一家大型美国医疗保健企业的背景下，了解与 2020 年大流行病爆发相关的患者流量变化。我们探索了患者进行长途旅行以获得护理的地理区域，哪些地点有许多医院间转移，以及出现瓶颈的地方。作为对网络科学模型的压力测试，我们描述了 SARS CoV-19 大流行的两个不同阶段患者流量的变化，并将其与区域系统对大流行的反应相关联，以确保面部有效性。方法环境。这项研究在中西部医院系统中进行，该系统由一家学术医院、三家提供专科服务的大型社区中心医院、三家提供住院和外科服务的中型医院以及十一家重症医院组成。社区中心医院位于三个地理区域，指的是学术中心，位于第四个区域，附近有一组医院优先将其称为区域中心。重症监护医院提供小型急性住院病房，手术能力有限，在一些设施中提供现场急性后护理和长期急性护理床位。所有站点都提供紧急医疗护理、门诊初级护理和各种专科诊所。该组织每年为超过 100 万名患者提供服务15，主要是社区人口，学术中心为当地、区域、国家和国际患者提供专业护理。地点之间的转移是由对专业咨询/程序的需求、重症监护需求或高级成像研究以及医院容量驱动的。数据。数据是从一个专有平台提取的，时间跨度为 2018 年 5 月 25 日至 2021 年 3 月 8 日。源自 ED 的医院就诊符合纳入条件。不同意将其医疗记录用于研究的患者的记录被排除在分析之外。路径不完整的患者（如国际患者）被排除在外，这些患者仅占总就诊的一小部分。数据清洗是在 Python 中执行的16.数据使用得到了梅奥诊所内部审查委员会的批准。使用家庭邮政编码对患者位置进行分组，并通过合并访问来创建患者在单次护理期间在医院之间转移时的特定旅程。我们将相遇与共同的患者标识符联系起来，相隔不到 24 小时，并附有电子健康记录 (EHR) 中转移的指示。使用时间线编年史验证数据，并与来自 EHR（Epic，维罗纳 WI）的患者人口普查报告进行交叉引用。模型和分析。我们的模型使用位置之间的患者移动来表示原始站点未满足的资源需求。患者位置表示为节点，它们的移动表示为边缘。 Python 中的 NetworkX 包17用于将我们的数据集转换为患者旅程，随后使用 Cytoscape 进行可视化，并使用 RStudio 进一步分析19.医院节点按区域位置和大小进行编码：学术中心 (AC)、区域中心 (RH)、独立 ED (EDSS)、关键通路医院 (CAH)。为了更细致地表示资源使用情况，我们添加了护理级别：急诊科 (ED)、底层护理 (WARD)、重症监护 (ICU)、中级护理 (PCU)。这导致每个节点都有一个复合名称，例如“RH1_ED”反映区域中心 ED。我们匿名化了患者来源区域的起始和结束标签，例如“M1”表示家庭，“MORT”表示住院期间去世的患者。地理距离是使用 Python 中的 GeoPy 包计算的20 边缘属性表示流量和距离，从而形成加权有向网络。网络中流量少于 0.0001% 的边缘已被移除，以提高清晰度和帮助分析。我们创建了三个患者移动网络：系统的整体可视化和代表大流行前（2018 年 5 月 25 日至 2020 年 3 月 16 日）和大流行中期（2020 年 3 月 17 日至 2021 年 3 月 8 日）时间点的两个模型。我们使用度分布、关联性、密度和聚类系数分析了网络结构21.在评估单个节点特征时，我们使用中介中心性来表示节点的重要性和度/加权度来表示连通性。这些组合使我们能够识别系统中的枢纽和瓶颈22. 科学报告|(2022) 12:10050 |https://doi.org/10.1038/s41598-022-14261-33图1。可视化患者路径的桑基图。通路按接收位置着色，线宽代表患者数量。所有导致住院、转移或死亡的 ED 就诊都通过系统跟踪到其终点。从最初的 ED 就诊直接导致出院回家的 ED 就诊不包括在此陈述中。转移到另一个急诊科 (ED2) 以红色显示。 ED 到病房到家的主要旅程清晰显示，但 ED 替代 ICU 或 PCU 到病房然后回家贡献了大部分剩余旅程。结果企业内有 829,455 次独特的 ED 就诊符合纳入标准，其中 68% 的就诊发生在大流行开始之前。桑基图（图 1）用于说明患者旅程，显示了我们研究中所有入院、转移或死亡患者的护理水平的变化。主要的患者旅程是从 ED 到病房入院，然后出院回家。另一个重要的途径是从 ED 到 ICU/PCU，然后进入病房，然后出院回家。急诊科之间的医院间转移仅占整个系统的一小部分。系统范围的网络分析，包括研究期间急诊科就诊的所有患者，如图 2 所示.生成此图的数据包括 159.8 万次传输，其中包含 101 个节点和 541 条边，在去除了非常低频率的传输之后。该图显示了社区位置和当地医院之间广泛的相互联系，以及与学术中心 (AC) 之间的广泛联系，显示为淡黄色线条的背景，反映了患者在不同地方寻求紧急护理的情况。 AC 的重要性和中心性通过从广阔的集水区接收到的大量连接及其高中介中心性来强调。不出所料，最常用的路径是到最近医院位置的主节点。然而，该模型还揭示了一个复杂的系统结构，当患者绕过当地设施或转移到遥远的目的地时，在更远的距离上有着重要的联系。例如，患者起源位置 M2 与其当地医院 ED (MS2_ED) 有很强的联系，被视为一组代表近距离和高容量之间的深紫色宽线。与 AC_ED 也有很强的联系，由中等粗细的橙黄色线表示。在这种情况下，M2 区域代表 MS2 医院所在的当地社区。 MS2 是一家中型医院，专科护理有限，靠近作为其专科中心的 AC。通过目视检查可以找到其他示例。我们的模型被发现有 101 个节点和 541 条边，连接密度为 0.054。我们测试了该系统是否展示了无标度网络的特性，该网络对节点上的随机攻击具有弹性24. 我们发现度数分布有一个很重的高度尾部，但是与在无标度网络中预期的相比，具有较少高度节点的对数正态度分布。小世界 科学报告|(2022) 12:10050 |https://doi.org/10.1038/s41598-022-14261-34图 2。患者运动网络。节点代表医院位置或患者家位置。边缘宽度表示沿边缘的流量，边缘颜色与节点之间的地理距离有关，边缘较暗的距离较短。节点颜色使用中介中心性表示节点对网络的相对重要性，较暗的节点表示较高的中介中心性。该图像突出了整个系统的广泛连接性，并具有一些明显的本地护理偏好。参数Ω25和 σ26分别为 0.6 和 0.3，确认网络表现为非小世界网络。这使我们的系统与无标度小世界网络形成对比，这些网络通常通过偏好依附有机地增长，并具有特定的鲁棒特征27.平均全局聚类系数，反映了也是邻居的相邻节点的比例，为 0.19。这比随机连接节点的预期要少得多28.因此，通过随机分配，馈入节点的位置也不太可能像预期的那样相互馈入，这反映了患者来源（辐条）馈入医院（集线器）和一小部分连接的“中心辐射”结构在辐条医院之间转移患者。这一发现与临床观察一致，在临床观察中，将患者从提供专科护理的医院转移到不提供专科护理的医院或小型医院在彼此之间转移患者的情况并不常见。该网络是一个解离网络（整体关联系数为-0.5），其中度数高的节点与度数较低的节点相连。这证实了与当地医院 ED 相连的患者家庭位置的中心辐射结构。然而，