基于重力模型优化的急诊科选择行为研究：医院规模与患者严重程度的双重影响机制

为解决急诊医疗资源分配效率问题，意大利LIUC大学团队创新性地将医院规模(bi )和患者严重程度(tk )纳入重力模型，构建了新型急诊选择概率函数pk (Hi )=bi αtk /dk,i β 。该模型在意大利伦巴第大区256,701例急诊数据验证中达到98.77%的分配准确率，为医疗设施规划提供了量化决策工具。

　　

在医疗资源紧张的当下，急诊科(ED)的选择行为如同无形的引力场，牵动着整个医疗系统的运行效率。传统重力模型虽能解释患者流向与距离的关系，却忽视了两个关键变量：医院规模如同质量更大的天体具有更强吸引力，而患者病情严重程度则像引力系数般调节着这种吸引力。这种认知空白导致现有模型预测精度不足，难以支撑精准的医疗资源配置决策。

意大利LIUC-Carlo Cattaneo大学Healthcare Data Science Lab的Francesco Bertolotti团队在《Scientific Reports》发表的研究，通过创新性地将医院床位数(b_i
)和急诊分诊代码(t_k
)引入重力模型框架，构建了p_k
(H_i
)=b_i
^αt_k

/d_k,i
^β
的概率函数。研究采用Open Source Routing Machine API获取实时交通时间数据，运用遗传算法优化参数α和β（经过250代、5000次迭代），最终在伦巴第大区ASST Sette Laghi的6家医院、256,701例急诊数据验证中，实现了整体98.77%的分配准确率。

Gravity meta-model
模型突破性地将分诊代码（白1/绿2/黄3/红4）作为病情严重程度代理变量，急诊床位数作为医院吸引力指标。公式设计体现核心假设：严重患者(t_k
值高)更倾向选择大医院(b_i
值高)，这种偏好随距离(d_k,i
)增加而衰减。

Model specification
选择意大利北部6家差异化医院（急诊床位10-84张）作为试验场，排除黑色代码（到院死亡）病例。创新性地采用城市级聚合数据而非个体定位，解决了急诊出发地信息缺失的难题。

Results
三维验证体系展现惊人精度：

1. 整体分配误差仅1.23%（图2）；
2. 网络拓扑分析显示模型完美复现城市-医院连接模式（图3）；
3. 人口>7000的城市误差降至0.699%，证实模型在大规模人群中的稳定性（图5）。

Discussion
该研究在理论上首次证实了"病情严重程度会放大医院规模效应"的假设，为行为医学提供了新见解。实践层面，98%的预测精度使模型能精准模拟政策干预效果：比如新建医院对现有分流格局的影响，或疫情等突发状况下的资源重分配。局限在于未考虑个体认知差异，未来可通过Agent-based建模进一步优化。

这项研究犹如为急诊系统安装了"引力透镜"，使原本不可见的决策机制变得清晰可测。其价值不仅在于创纪录的预测精度，更在于用极简公式（仅4个核心变量）揭示了复杂医疗选择行为的本质规律，为全球医疗资源配置提供了普适性分析框架。正如研究者所言，当生命与时间赛跑时，正确的数学模型可能就是最好的导诊员。