智慧医疗资源优化模型

多媒体工具与应用

https://doi.org/10.1007/s11042‐018‐6647‐4

一种用于智慧城市资源分配的智慧医疗奖励模型

索拉娅·欧艾达1·穆阿亚德·阿洛凯利2·索林·伊奥内斯库3
收到日期：2018年5月5日 / 修订日期：2018年7月31日 / 接收日期：2018 年9月3日 / © 施普林格·自然 2018，施普林格科学与商业媒体有限责任公司版权所有

如摘今要，城市面临着许多重大挑战，而智慧城市概念是解决传统城市典型问题的一种有前景的手段。无线电子健康技术是当前远程医疗领域的一个新兴课题。移动通信和多媒体技术的应用是为流动中的医疗人员提供更好医疗服务的核心。这些技术能够实现对医疗信息和专家护理的平等获取，从而实现资源更高效、更充分的利用。

移动与雾计算技术也能够应对智慧医疗资源在移动性、可扩展性、效率和可靠性方面的诸多挑战。由于城市中高度集中的居民人口，最优医疗系统在城市中尤为重要。高密度人口一旦发生疏忽或不当治疗，可能造成更大的危害和损失，进而引发感染和疾病暴发，甚至发展为流行病情况，需要进行控制，而这将带来极高的成本。鉴于更好的医疗资源使用与管理对于可靠的医疗服务交付至关重要，本文提出了一种能够改善资源交付与利用的模型。该模型是一种基于质量奖励的模型，旨在研究并响应医疗系统的满意度因素，并提出一种基于优化的算法——最大奖励算法（MRA），以增强医疗资源的使用与交付。该算法已通过多项实验和模拟测试，证明其能够提供可靠性与效率，并实现50.1%至77.2%的性能提升。

关键词 智慧医疗 · 电子健康 · 多媒体技术 · 远程医疗 · 奖励系统 · 资源分配 · 智慧城市

索拉娅·欧艾达 So.oueida@upb.ro
穆阿亚德·阿洛凯利 m.aloqaily@ack.edu.kw
索林·伊奥内斯库 Sc.Ionescu@upb.ro
1 布加勒斯特理工大学，布加勒斯特，罗马尼亚
2 澳大利亚科威特学院，科威特城，科威特
3 工业工程系，布加勒斯特理工大学，布加勒斯特，罗马尼亚

---

1 引言

当今城市不断发展，城市生活对资源的可用性、分配和优化提出了重大挑战。智慧城市概念是传统城市模式最具前景的解决方案之一。在智慧城市中，信息与通信技术（ICT）以及众多可用的互联智能系统，包括智能政府、智能基础设施、智能交通和智慧医疗，是提供创新服务以实现智慧城市的关键[18, 30]。

物联网（IoT）在提升智慧医疗方面发挥着重要作用。这可以通过促进远程监控、追踪、数字化转型以及个人机器人医疗等更复杂方法的开发来实现[1, 31]。物联网能够改善多种服务的交付，包括智能交通、智能家居和智能电网，以及智慧治理、基础设施和医疗保健。智慧健康建立在信息和资源的基础之上，其唯一目标是连接医疗技术与关键利益相关者，以提升医疗体验的质量[39]。智慧医疗可以减轻出行负担并提高治疗可及性，增强医疗资源和服务的管理与可持续性，并简化智慧城市中医疗的基本需求。然而，这些目标只有在具备积极参与和支持性的管理、增强原始数据处理及相关经验的前提下才能实现。因此，智慧医疗是智慧城市的一个基本且重要的组成部分，有助于为产业、政府和市民实现广泛的应用。同样，智慧城市子系统将利用智慧城市技术相互通信并增强医疗服务，使医疗更加智能和高效 [11]。另一方面，在智慧医疗服务方面仍存在许多需要解决的问题，特别是服务交付和资源利用。为了使智慧卫生服务真正发挥作用，如何处理和管理智能医疗资源至关重要。

移动远程监测在医疗保健或无线远程医疗中，如今正在医疗服务的演进过程中发挥着重要作用[26]。这一演进要求将移动通信和多媒体技术整合到新型的移动医疗服务体系中。通过使用该技术，能够克服不同用户之间存在的隔离界限，实现对医疗信息和专家护理的同步访问，从而更好地利用现有资源。

移动网络由一组移动节点和一个无线网关组成。本地路由设备可以是普通的 WiFi 接入点或智能手机，用于将无线个域网与广域网基础设施连接。无线个域网（WPAN）是一种用于通过无线连接互连设备的无线个人区域网络。由于所研究的急诊科包含两个独立的急诊室，因此必须提高资源利用效率。这可以通过移动网络的概念来实现。来自移动网络的多业务流量可在本地网关处聚合，然后通过中继信道转发。因此，部署具有多接入能力的多模网关是可取的。智能手机指个人移动网络的网关，必须配备多个无线接口以实现网络接入。在此网关上进行资源分配。该多业务流量的聚合可通过 WiFi 网络或蜂窝网络进行中继。

关于卫生服务交付中存在的普遍问题，文献中有各种研究。大多数研究认为，医疗机构负担加重以及提供充足卫生服务的效率低下，是由于污染加剧及随之而来的治疗需求增加[6, 19]。因此，本研究的目标是探索一种新方法有效提供医疗保健，并开发确保最优医疗服务交付的新方法。本文从一个新的视角来解决这一问题，即将医疗服务交付和资源视为一个工业系统。我们研究了满意度程度，并提出了一种新的基于奖励的优化算法，该算法将结合排队论来增强医疗系统。优化是指在不中断实际流程的情况下改进系统的运营流程，而为了提高三个主要参与者——患者、所有者和医疗资源（医生、护士等）——的满意度水平，必须对复杂医疗系统进行优化增强。

在医疗行业中，患者满意度取决于所提供的服务质量，医疗系统至少包括三个主要参与者：患者、所有者和医疗资源。满意的患者倾向于选择并推荐他们最近使用过的医院，并可能再次返回接受其他服务[41]。在医疗保健等复杂系统中，当患者得到良好治疗且服务满足其期望（即快速且简便）时，他们会表达自身偏好并推荐医疗服务。更高的患者满意度水平会增加服务使用率和市场份额，这也会间接提高所有者满意度[37]。实现成功医疗保健服务的另一个因素是医疗资源满意度。快速且优质的服务会在两个方面提高参与服务交付阶段的医疗资源的满意度：更高的薪酬和最优利用率。薪酬合理且工作量可接受的医疗资源往往能提供更高质量的服务，从而对患者的满意度水平产生积极影响[29]。

本文提出的模型是一种基于优化的新型通用奖励系统，旨在满足医疗系统中三方（患者、所有者和医疗资源）的满意度。

本文其余部分组织如下：第2节为相关工作，第3节介绍了智慧城市中的智慧医疗。第4节探讨了模型设计，第5节将所提出的奖励系统应用于医疗保健。第6节定义了一种新的基于奖励的优化算法，第7节给出了结论及潜在的未来工作。

2 相关工作

物联网和智慧健康领域的最新技术进步使得患者能够实现实时监控。然而，这些技术在能源效率、可扩展性和成本方面面临诸多挑战。格拉纳多斯等人的一项研究展示了将数据和电力结合到单一过程中，以有效为医疗传感器和智能医院设备提供云连接和能源的优势[16]。文献[15]强调了物联网实现这一智慧医疗愿景的机遇与挑战。另一项研究提出了两种算法，旨在提高蜂窝网络中视频传输的吞吐量，以满足对高数据速率的高需求[2]。此外，文献[3]介绍了用于提升蜂窝网络中视频流体验质量的一种架构的性能。

[42]研究了在异构多跳无线基础设施上支持个人移动网络的资源分配。移动用户在群体中移动时，其周围的个人无线设备或医疗传感器构成了个人区域网络，例如智能手机、笔记本电脑、个人数字助理（PDA）和健康监测设备。这些设备是构成个人移动网络的节点。在本研究中[42]，不同研究了在异构网络场景下多媒体和医疗服务聚合的资源分配各个方面。多无线电智能手机需要在多个可用网络中进行选择，因此提出了一种用于接入选择的随机 Petri 网模型。蓝牙和 Zigbee 等不同技术可作为无线个域网选项，用于构建个人移动网络。

此外，移动远程医疗是一个新兴的研究领域，利用移动通信技术的最新进展，具有提供高度灵活医疗服务的潜力。远程医疗系统由硬件、软件和通信信道之间的接口组成，用于在两个不同地点之间交换医疗信息。硬件包括计算机、打印机、扫描仪、视频会议设备等。软件支持获取患者信息（图像、报告、胶片等）以及资源分配详情。如今，远程医疗系统由先进的多媒体技术提供支持，例如交互式视频、高分辨率显示器、高速计算机网络等。[24]。

最近，云辅助无线体域网（Wireless Body Area Network）在医疗领域中变得流行并得到广泛应用。尽管这些平台为医疗系统提供了巨大优势，但在向远程终端传输大媒体尺寸数据时，仍面临显著的性能挑战。这些性能挑战促使哈桑等人提出了一种结合无线体域网和云计算的模型，以实现有效的数据共享[17]。该模型定义了四层网络架构：感知层、网络层、云计算层和应用层。在此，高效管理来自多个无线体域网的患者相关数据（如文本、图像、语音等）对于各种应用至关重要。

为了验证所提出架构在传统基于 IP 的网络下实时传输大量媒体医疗数据的可行性，研究使用了 OPNET 仿真器进行仿真。

物联网革命为健康管理带来了有前景的技术进步。该领域的研究人员进行的一项调查证明了基于物联网的智慧医疗在智慧城市中的高效性。他们还讨论了网络架构、平台和应用，以及由于安全风险而可能面临的挑战。持续收集和共享信息可以丰富医疗行业，并帮助其发展以满足功能需求。智慧医疗旨在支持对医疗状况的实时识别和治疗。作者[金和吴]通过开发一款手表实现了这一目标，该手表利用集成传感器检测体温和心跳[23, 32]。借助物联网，可收集并分析生理和位置信息。此外，在关键应用中检测侵入式传感器行为的技术发展已展现出优异的性能[33]。

埃尔米瑟里等人[14]最近进行的一项研究证明了物联网在提供医疗服务方面的效率。他们使用数字传感器和云计算，将医疗行业从传统医疗转变为智能环境。

卡塔鲁奇奇等人[8]提出了一种感知物联网的智能架构，以将传统医疗转变为智能服务。他们的模型可监控并自动跟踪医院中的患者、医护人员和生物医学设备。作者提出了一种智能医院系统（SHS），该系统采用了射频识别、无线传感器网络和智能移动设备等技术。该智能医院系统（SHS）可通过超低功耗混合传感网络（HSN）实时收集环境条件和患者的生理参数。

移动云计算（MCC）通过为患者和护理人员提供新型服务和设施，也推动了医疗行业技术的发展。因此，一种集成 MCC 和多智能体系统的新型移动医疗 Web 服务系统被提出以应用于医疗保健并改进医疗流程，该系统由杰马尔等人提出。[22]。一篇关于云计算及其在医疗行业应用中可能带来的益处与挑战的全面综述已在[4]中提出。钟和朴开发了一种基于云的移动健康服务，以提升医疗服务的服务质量（QoS）[10]。他们研究了可靠性与响应时间等因素，以解决宽带通信问题和无线网络延迟。

医疗工业系统通常由争夺资源[43]的业务流程组成。这些业务流程具有复杂的动态行为和不可预测性，需要工作流系统来控制工作并确保资源的有效分配。由于医疗系统，特别是急诊科（ED），是不间断服务，患者到达时无需预先通知，因此必须通过仿真建模来研究系统并预测故障。目前，急诊科正面临许多影响其日常医疗服务与运营[27]的问题。主要问题包括过度拥挤，导致长时间等待、延长停留时间（LoS）以及最终的患者不满[7]。一种可能的解决方案是增加急诊科容量并提供额外资源，但由于固有的额外成本和预算限制，这些措施并不总是可行[40]。根据文献，仿真建模已被证明是解决复杂问题更有效的方法[25]。

过去几十年中，许多研究人员对急诊科仿真模型进行了研究。所有仿真在急诊科的特征和布局方面都是独特的，包括单元数量、资源数量、患者流动以及从目标急诊科收集的实际输入数据。通过评估文献中的关键绩效指标（KPI）和停留时间（LoS）来衡量急诊科的性能，其中停留时间（LoS）是指患者在急诊科花费的总时间[38]。通过该模型开展了实验，以确定改善患者流动的方法[9, 13]。作者在先前的研究[34]中使用 Arena 软件对黎巴嫩的一个急诊科进行了建模、仿真和优化。

通过文献研究表明，利用仿真建模是研究急诊科系统、发现存在问题并改进运营流程的最佳方法。

为了实现经济可持续的医疗信息系统，必须有效地收集、处理医疗数据，并将其转化为信息与知识以指导未来行动。然而，这些系统的实施相当复杂且具有挑战性。为解决这一问题，德米尔坎提出了一种新框架，用于构建以数据驱动、移动云支持的智能医疗系统，通过提供具有更低 IT 设置成本和降低风险的经济高效型医疗服务来提升医疗运营。

我们现在知道，解决急诊科问题依赖于改进流程，并考虑额外成本、患者安全与满意度以及住院时间[20]。因此，本文提出的新奖励系统作为主要贡献，重点关注三个满意度因素：患者满意度、所有者满意度和资源满意度。文中提供了计算这些满意度水平的方程，并模拟了新的资源配置水平以提高这些指标。

3 物联网与智慧城市边缘的医疗保健

结合移动边缘和云计算的多媒体技术在提升医疗服务，特别是资源分配和医疗信息传递方面非常高效。物联网和边缘概念的快速发展[5]及其在智慧城市系统、互联智能健康系统已成为智慧城市及其服务的重要组成部分[21]。因此，许多实体已将智能医疗系统归类为智慧城市的關鍵推动者。凭借独特的实时数据和所需的系统可用性水平，医疗系统不仅仅是像基础设施、交通或政府那样的智慧城市子系统，而是通向更高生产力和宜居性架构的领先门户，有助于保障智慧城市市民的生活质量[15, 31]。

智慧医疗也是数据科学（实时大数据）领域的重要推动力。智慧医疗中以数据为核心且融合数字‐物理生态系统的架构，整合了患者生活的多方面信息，实时呈现市民健康状况的全面视图。这也凸显了智慧医疗数据对医疗行业将产生的重大影响。

为了实现显著改善，对医疗服务和资源进行妥善管理至关重要。我们提出的奖励模型有助于实现对医疗服务和资源的妥善管理。

医疗领域中关注全体人口健康的医疗系统凸显了将医疗系统从传统服务转变为智能健康服务的必要性。将现有的医疗系统，特别是急诊科，转变为具有高效资源分配的智能化、可靠化运营模式是一项极为复杂的任务，因此，实现最优资源分配的智能模型至关重要。本文提出了一种用于资源管理的最大资源分配（MRA）算法，该算法将帮助决策者分配所需资源，以最有效地提供医疗服务。该算法由一个奖励系统支持，确保运营顺畅以及患者、所有者和医疗资源满意度。平衡这三个因素将有助于建立统一稳定的智慧医疗系统。表1是专门用于解释本文中最常用符号的表格。

4 智能医疗奖励模型

在前面的章节中，通过文献综述和相关工作阐明了医疗与物联网之间的关系。

奖励系统定义为：
R = ∑₃ᵢ₌₁ WᵢFᵢ
其中 F₁ + F₂ + F₃

表1 本文使用的符号

符号	说明	描述
R	奖励系统
∑₃ᵢ₌₁ Fᵢ	F₁ + F₂ + F₃
F₁	患者满意度因素
F₂	所有者满意度因素
F₃	医疗资源满意度因素
Wᵢ	∑₃ᵢ₌₁ Wᵢ = W₁ + W₂ + W₃	∑₃ᵢ₌₁ Wᵢ 等于 1
W₁	患者重要性权重
W₂	所有者重要性权重
W₃	医疗资源重要性权重
x	系统中患者住院时间的平均水平

重要程度反映了哪个满意度因素对奖励系统的影响最大；权重最高的因素应优先考虑改进。通过招聘新资源和有效的资源分配可以实现满意度因素的提升。提高服务吞吐量对于增加收入以及维持或提高所有者满意度至关重要。患者满意度由等待时间和所接受的护理水平共同决定，而医疗资源满意度则取决于利用率和工作量。权重可以通过观察和现场访问进行假设或预测，并可根据管理决策和医院偏好计算出更精确的值。本节从患者、所有者和医疗资源满意度的角度定义了所提出的奖励系统的模型。

4.1 患者满意度

患者满意度 F₁，是患者在系统中的平均等待时间以及他们从医疗资源获得的护理水平的一个影响因素。患者满意度表示为：
F₁ = η₁e⁻ˣ + η₂F₃
其中,
(i) x = (actual住院时间 ‐ 预期住院时间) / 预期住院时间
(ii) η₂ 是医患关系
(iii) η₁ + η₂ = 1，η₂ 受医疗资源的文化和使用率影响。一些医疗资源因工作量过高而受到影响，从而严重影响其向患者提供的护理水平。
(iv) 实际住院时间是当前患者的住院时间
(v) 预期住院时间是资源在接受服务前预计的最长时间

4.2 业主满意度

业主满意度 F₂，是利润和收入的一个因素。因此，为了提升业主满意度，必须增加净利润。F₂ 表示为：
F₂ = profit / revenue
其中,
(i) 收入是系统的收益，不考虑所支付的成本
(ii) 收入 = k ∗ 支付金额
(iii) 支付金额是患者在系统中花费的资金
(iv) k = 到达系统的患者数量
(v) 利润是支付人力资源、设备、材料等所有支出后的净利润
(vi) 利润 = 收入 ‐ 总费用
(vii) 总费用代表工资、材料、设备维护/更换等

用于衡量患者满意度的数值是通过与管理层的会议收集的，所提出的奖励系统只能由决策者考虑净利润目标。仿真输出可用于在正常工作流期间提出对实际操作系统的改进方案。

4.3 医疗资源满意度

医疗资源满意度是薪酬和工作量水平的一个因素。为了确保高患者满意度，应提高月工资并减少日工作量。医疗资源满意度 F₃，表示为：
F₃ = ∑ₘₙ₌₁ fₙ / m = (f₁ + f₂ + ··· + fₘ) / m
其中，m 为不同医疗资源类别的数量，例如：接待员、实际工作人员、运输人员等。

每个类别的满意度由 fₙ 定义，其中 fₙ 定义如下：
fₙ = ∑ₖᵢ₌₁ Xᵢ(ξₙ) / k
其中,
(i) ξₙ 是某一类医疗资源
(ii) k 是同一类别中医疗资源的数量
(iii) X 是同一类别中某项医疗资源的薪酬与工作量之间的平衡
(iv) Xᵢ = (W₁ ∗ 薪酬) - (W₂ ∗ 工作量)
(v) W₁ + W₂ = 1
(vi) 薪酬 = actual薪酬 / 最大薪酬
(vii) 工作量 = actual工作量 / 最大工作量

由于每种类别类型可以拥有多个医疗资源，因此，
f₁ = (X₁(ξ₁) + X₂(ξ₁) + …… Xₖ(ξ₁)) / k
f₂ = (X₁(ξ₂) + X₂(ξ₂) + …… Xₖ(ξ₂)) / k
…
fₘ = (X₁(ξₙ) + X₂(ξₙ) + …… Xₖ(ξₙ)) / k

5 模型应用

在上一节中，提出了一种新的奖励系统以实现优化。该奖励系统在三个满意度因素之间取得平衡：患者、所有者和资源。医疗保健非常复杂，极易出现过度拥挤和瓶颈问题，尤其是在急诊科。因此，必须仔细分析急诊科流程，以便提出改进系统的方案，同时不中断正在进行的服务。先前的研究指出，提升急诊科运营的有效且高效方法是重新分配现有资源并增加新资源。因此，如上一节 R 中所建议的，奖励系统应用了患者、所有者和医疗资源这三个主要满意度因素。我们的目标急诊科是黎巴嫩的一个急诊部门，拥有多类型的人力资源用于服务患者。本研究中使用的急诊科由 2 个急诊室（ER）组成：急诊室 A 和急诊室 B。非人力资源被称为“设施”，在优化阶段间接考虑，因为增加人力资源以完成特定任务需要材料、医疗设备和其他支持。设施资源类型包括为到达的患者提供护理所需的一切，如病床及配件、药品、医疗器械、棉制品、注射器等。

人力资源分为八个不同类别：医生、注册护士、护士、搬运工、接待员、技术人员、会计师和医师。每个类别包含不同数量的分配资源，如表2所示。注册护士负责患者到达急诊科后的所有分诊工作。注册护士是所有护士的负责人。而护士则负责患者进入急诊科后收集其数据信息，并负责准备病人直至医生可用。将定义的奖励系统方程应用于目标急诊科，得到的满意度水平值如表3所示。急诊科的奖励系统定义为：R_ED = ∑₃ᵢ₌₁ WᵢFᵢ。通过与管理层的访谈以及现场观察发现，每个 Fᵢ 的权重 Wᵢ 分别为：W₁ = 0.6，W₂ = 0.3 和 W₃ = 0.1，其中最高权重代表患者满意度因素，这是决策者的首要关注点。其次是通过尽可能降低成本和消除浪费来考虑利润。最后，还降低员工利用率以提升员工满意度。权重值会根据不同医院的文化、医院要求、预算限制及其他因素而有所变化。由此可得：
R_ED = (0.6 ∗ F₁) + (0.3 ∗ F₂) + (0.1 ∗ F₃)

5.1 业主满意度

为了确定所有者满意度，必须计算收入和总费用。每位患者的咨询费为 35 美元，通过 Arena 仿真得出的系统输出患者数量为 60 名患者，急诊科模型的仿真运行时间为 24 小时（更多细节将在模拟结果部分提供）。因此，月均收入为 = 6300 美元。总费用包括九类资源的成本，其中人力资源（八类）和非人力资源（一类），根据表 2 中的数值，每月总费用为 31000 美元。非人力资源（设施）支出包括提供服务所需的材料成本、设备维护以及医疗器械（如病床）的更换成本。设施费用为 = η ∗ 支出 = 0.6 ∗ 支出 = 18600 美元，且该值因医院而异。为某项服务分配的医疗资源越多，所需的设施就越多。

表2 实际薪酬与预期薪酬对比

资源类型	实际支付（美元）	最高工资（$）
医生	2000	2500
注册护士(RN)	1100	1500
护士	850	1000
运输员	650	700
会计师	1000	1100
接待员	500	550
医师	1200	1800
技术员	800	850
设施	800	不予考虑

表3 资源满意度因素

资源类型	满意度因素(%)
医生	f₁ = 43.6
注册护士(RN)	f₂ = 44.17
护士	f₃ = 48.62
运输员	f₄ = 27.874
会计师	f₅ = 57.38
接待员	f₆ = 58.01
医师	f₇ = 41.85
技术员	f₈ = 64

完成任务所需的支出（人力资源）与设施费用（资源类型：设施）相关，总费用为 = 49,600 美元。所有者满意度计算后得出为 F₂ = 20%。该所有者满意度值非常低，因此应进行改进以提升系统吞吐量，并相应地提高 F₂。

5.2 资源满意度

由于人力资源被分为八个不同类别，必须针对每种资源类型单独计算满意度因素，以确定真实的资源满意度 F₃。由于设施资源属于非人力资源，因此不予考虑其满意度指标。急诊科中资源的最大利用率不应超过 80%，以保证系统的正常流程，这反映了“最大工作量”的取值。“实际负载”数值来源于使用 Arena（仿真软件）进行的模拟。“实际薪酬”和“最高薪酬”在表2中列出，其中最高薪酬是通过调查和观察确定的各类资源可获得的平均最高工资。各类资源的满意度因素计算如表3所示。

在计算出系统中所有资源的满意度因素后，可以推导出总资源满意度：F₃ = 48.19%。

5.3 患者满意度

在优化前计算了患者对当前急诊科的满意度水平 F₁。通过对急诊科医疗资源的多次观察和访谈，发现 η₂ 为 0.3，η₁ 为 0.7。根据 Arena 仿真结果，患者平均停留时长为 357 分钟，反映了实际住院时间。文献中，急诊科的预期住院时间为 270 分钟。利用这些数值计算了 F₁，结果为 F₁ = 65.17%。

根据前几个小节计算出的满意度因素，急诊科正常患者流动的奖励系统为 R_ED = 50.1%。该奖励值对医院管理而言并不理想，且低于满意奖励系统的 70% 阈值以及高度满意奖励系统的 77% 以上阈值。为了提高目标急诊科的奖励系统数值，R ED 优化影响系统的三个因素至关重要。所有者满意度因素 F₂ 为 20%，非常低。因此，必须始终考虑这一因素，并仔细监控三个满意度因素 F₁、F₂ 和 F₃ 之间的平衡。

6 优化算法：MRA

在上一节中，奖励系统已应用于医疗保健，并计算了满意度因素。本研究提出应用最大奖励算法（MRA）——一种基于排队论的新型基于奖励的优化算法，以改善智能医疗系统。MRA 已被应用于我们的目标急诊科，以增强运营流程并最大化奖励系统 R 在正常条件下。图1所示的 MRA 流程图明确了达到近似最优解的步骤。算法中使用的一些变量包括：

多媒体工具与应用

1. 启动算法时首先考虑的资源类型是导致急诊科出现瓶颈的资源。
2. 下一种资源是工资较低的资源。
3. 阈值是指可接受的数值。
4. 当系统不再发生进一步变化时，算法停止。
5. 性能是指使用资源的中值（MID）进行模拟的结果；包括资源利用率、患者住院时间及队列等待人数的性能。
6. 阈值是一个介于两个数值之间的范围。最优值应低于高阈值且高于低阈值。
7. 患者住院时间的阈值：住院时间应少于2小时且不超过4小时。
8. 资源利用的阈值：资源利用率不应低于20%以避免浪费，且不得超过80%。
9. 队列等待人数的阈值：队列中的等待人数不应超过20人，且不能为0以避免浪费。
10. 各项指标的低值和高值阈值如表4所示，基于急诊科观察结果和医院管理决策确定。

作者之前的研究也探讨了仿真建模在急诊科中的重要性和应用[35, 36]。根据模拟结果，在正常运行流程中，急诊科在转运队列中存在瓶颈（见图2）。因此，MRA算法将从第一种资源类型——运输员开始。根据模拟结果，平均有23名患者在运输员队列中等待（图3）。为了启动算法，必须确定资源的低值和高值。低值始终为1，而高值则与性能相关。当多个阶段出现瓶颈且阶段之间存在依赖关系时，需计算这些值，并使用依赖性瓶颈资源的新值对模型进行模拟，同时与算法的一个阶段并行进行。例如，设施依赖于医生、护士和其他资源的可用性；如果护士和医生都极为繁忙，则算法的第一阶段将同时考虑设施、护士和医生资源。

针对运输员资源，研究了以下三种情况：高值运输人员数量等于转运队列中的患者数量（23），下一次模拟中使用的值为中值 = （低值 + 高值）÷ 2 = 12。当将运输人员数量增加至12后，再次运行模型。后续结果显示，等待时间从平均598.55分钟降至0分钟，如图4所示，几乎没有任何患者在转运队列中等待，如图5所示。此外，住院时间从6小时减少至1.74小时，如图6所示。根据图7中显示的资源利用率，如果所有资源的工作量均最小，则资源利用率的阈值应处于

表4 阈值详情

指标	Low	High
患者停留时间	2小时	4小时
资源利用率	20%	80%
排队等待数量	0%	20%

0 200 400 600 800
数据采集 A 数据采集 B
Patient Adm. A Patient Adm. B
运输员 A 运输员 B 治疗A 治疗B 分诊A 分诊B 等待医生A 等待医生B 候诊室 A 候诊室B
平均等待时间（分钟）
Queues

在20%到80%的范围内。这意味着应减少运输人员数量以减少浪费。此处的性能取决于队列网络节点和利用率。

2. 由于在性能V之后新的高值 = 中值 = 12低于阈值，因此中值 = (1 + 12) ÷ 2 = 6.5。

3. 模型再次以七名运输人员运行，结果显示平均系统住院时长为118.6分钟，相当于两小时。医院管理要求急诊科系统的优化算法需确保住院时间少于两小时。因此，需要调整运输人员资源的新数值。此处的性能取决于住院时间。

4. 当性能V超过阈值后，= MID = 7的新低值计算结果为九名运输人员。再次运行该模型时使用

0 5 10 15 20 25 30
数据采集 A 数据采集 B 患者入院 A 患者入院 B 运输员 A 运输员 B 治疗A 治疗B 分诊A 分诊B 等待医生A 等待医生B 候诊室A 候诊室B
等待人数
Queues

新的护送人员数值给出的住院时间约为1.7小时，如图8所示。该值低于最低阈值，并已获得医院管理批准。考虑到所有资源利用率，工作量在医院的高阈值和低阈值之间，如图7所示，并且在队列中保持了最小等待时间，如图9所示。

请注意，系统流出数量为137名到达患者中的134名，如图10所示。因此，性能V可接受，MRA可在每个急诊室仅变更从一到九名护送人员的情况下终止。这代表两个急诊室ER A和ER B总共增加了16名运输人员。

0 0.5 1 1.5 2 2.5 3 3.5
数据采集 A 数据采集 B 患者入院 A 患者入院 B 运输员 A 运输员 B 治疗A 治疗B 分诊A 分诊B 等待医生A 等待医生B 候诊室A 候诊室B
平均等待时间（分钟）
Queues

0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16
数据采集 A 数据采集 B 患者入院 A 患者入院 B 运输员 A 运输员 B 治疗A 治疗B 分诊A 分诊B 等待医生A 等待医生B 候诊室A 候诊室B
等待人数
Queues

0 50 100 150 200 250 300 350 400
患者A 患者B
LoS
患者
平均住院时间 ‐ 之前
平均住院时间 ‐ 之后

因此，九是维持瓶颈队列中的患者数量、队列等待时间、资源利用率和系统住院时长之间平衡的最优运输人员数量，同时通过大量患者离开急诊科来考虑所有者的满意度。该系统已完全优化，无需优化其他类型的资源。

新的资源分配如表5所示，奖励系统将在执行优化后重新计算。

在资源数量得到优化后，使用前几节的方程计算新的奖励系统 Ro：

1. 在应用MRA后，通过模拟新资源分配下的模型来计算资源满意度；每个满意度因素fio的值如表6所示。在计算出系统中所有资源的满意度因素后，总资源满意度可通过 F₃o = 44.75% 确定。

2. 应用MRA后，利用模拟结果计算患者满意度。系统中患者的平均停留时间为1.7小时（102分钟），如图8所示，反映了实际住院时间。医院管理要求优化系统的住院时间少于两小时（120分钟），这导致F₁o = 94.75%。这意味着在应用MRA后，由于系统住院时长缩短，患者满意度显著提高；从65.17%上升至94.75%，增加了45.39%。

0
0.1
0.2
0.3
0.4
0.5
0.6
Workload
资源类型
12个运输车 9个运输车

0
20
40
60
80
100
120
140
患者A 患者B
LoS
患者
平均住院时间 ‐ 12个转运器 平均住院时间 ‐ 9个转运器

0 0.5 1 1.5 2 2.5
数据采集 A 数据采集 B 患者入院 A 患者入院 B 运输员 A 运输员 B 治疗A 治疗B 分诊A 分诊B 等待医生A 等待医生B 候诊室A 候诊室B
平均等待时间（分钟）
Queues

132.5 133 133.5 134 134.5 135 135.5 136 136.5 137 137.5
进入人数 离开人数
Total
患者

3. 为了确定应用MRA后所有者的满意度F₂o，重新计算了总支出和收入。Arena仿真结果显示，优化后的系统流出数量为134名患者。这意味着新的月平均收入为每月140,700美元，且F₂o = 53%。

总之，所有者满意度从优化前的20%提高到应用MRA后的53%，增加了54%。这是预料之中的，因为运输员队列中的瓶颈问题已得到解决，现在有更多的患者离开系统，从而增加了收入。

在计算了三个满意度因素F₁o、F₂o和F₃o后，优化后正常流程的奖励系统R为 = 77.2%。该指标将满足医院管理的要求，因为他们规定满意度阈值至少达到70%才能视为满意奖励系统，超过70%则为高度满意奖励系统。奖励系统从50.1%提升至77.2%，证明了所提出的奖励系统R以及优化算法MRA在应用于医疗系统的急诊科等真实场景时是高效且可靠的。

表5 MRA资源分配用于两个急诊科

资源类型	MRA资源分配
医生	2
RN	2
护士	4
运输员	18
会计师	8
接待员	1
医师	1
技术员	3
设施	10

表6 优化后的资源满意度因素

资源类型	满意度因素(%)
医生	f₁o = 40.25
RN	f₂o = 44.37
护士	f₃o = 48.06
运输员	f₄o = 49.33
会计师	f₅o = 42.25
接待员	f₆o = 44.5
医师	f₇o = 29.78
技术员	f₈o = 59.5

表7 满意度因素和奖励系统

因素	MRA前(%)	MRA后(%)	满意程度
F₁	65.17	94.75	非常满意
F₂	20	53	满意
F₃	48.19	44.755	满意
R	50.1	77.2	满意

通过将MRA应用于这些资源，也可以实现改进。无论如何，奖励系统R从50.1%增加到77.2%，证明了MRA和奖励系统R的可靠性与效率。

从管理角度来看，满意度水平的衡量方式如下：
– 0‐20：极不满意
– 21‐40：不满意
– 41‐80：满意
– 81‐95：非常满意
– 96‐100：最优

7 结论与未来工作

我们的城市在服务和资源方面正面临重大挑战，而智慧城市概念凭借其能力为所有问题提供了潜在的解决方案，并为市民提供各种服务。正如本文所讨论的，利用多媒体技术结合移动边缘和云计算，在提升医疗服务特别是资源分配和医疗信息传递方面非常高效。本文研究并讨论了智慧城市中医疗系统的重要性，并分析了其中大多数突出的困难。医疗资源分配对患者、医疗资源和所有者而言是最关键且令人困扰的问题。为了改善急诊科的医疗资源分配，本文提出了一种有效的利用和交付模型。通过实验和仿真，我们证明了所提出的算法能够将可靠性、效率和最优资源利用从50.1%提升至77.2%。未来，将向奖励系统引入一个新的满意度因素F₄。F₄反映企业社会责任（CSR），帮助组织实现目标，并作为公司为患者提供服务的指导。CSR政策是一种自我监管机制，企业通过该机制监督并确保积极遵守法律精神、道德标准以及国家和国际规范[28]。