基于蒙特卡洛聚类搜索算法的急诊科人员配置优化研究：降低患者停留时间与提升运营效率

急诊科(ED)作为医疗系统中最复杂的场景之一，亟需解决因组合爆炸和高维度特性导致的资源配置难题。本研究提出蒙特卡洛聚类搜索算法(MCSA)结合基于智能体的模拟(ABM)，通过探索不足1%的搜索空间即发现可使患者停留时间(LoS)显著降低的人员配置方案，为医疗决策者提供了兼具计算效率与实践价值的优化工具。

　　

急诊科(ED)如同医院的"风暴眼"，每天面临潮水般涌入的急重症患者。随着就诊量突破16万人次/年（以西班牙Taulí医院为原型），传统"一刀切"式的排班模式暴露致命缺陷——医生护士像救火队员疲于奔命，患者滞留时间(Length of Stay, LoS)却居高不下。更棘手的是，人员配置涉及医生层级（资深/初级）、护理人力、支持岗位等多维变量，形成超17维的"组合迷宫"，传统试错法如同大海捞针。

巴塞罗那自治大学HPC4EAS团队联手Taulí医院，开发出"智能导航仪"蒙特卡洛聚类搜索算法(Montecarlo Clustering Search Algorithm, MCSA)。这套方法融合了"广撒网"与"精聚焦"双重策略：先通过蒙特卡洛随机采样在17维空间撒下探索种子，再用聚类分析锁定"高产矿脉"（Feasible Regions），最后借助基于智能体的模拟(Agent-Based Model, ABM)进行虚拟压力测试。这个ABM模型如同数字孪生急诊室，能精准反馈每种人员配置下的LoS等关键绩效指标(KPI)。

关键技术突破在于三方面：1）MCSA的"空间压缩"技术，将万亿级搜索空间浓缩至实际评估不足1%的方案；2）ABM模拟器对急诊室动态的精确建模，包括患者分级、资源竞争等200+参数；3）聚类引导的迭代优化机制，使搜索效率较传统方法提升2个数量级。

研究结果验证三大假设：
• H1验证：最优配置使LoS降低23%，相当于每位患者节约90分钟滞留时间
• H2验证：在17维约束空间中发现含8名资深医生+12名护士的帕累托最优解
• H3验证：较穷举法节省99.7%计算量，单次ABM评估仅需4分钟

这项发表于《Expert Systems with Applications》的研究，其价值不仅在于算法创新。更深远的意义在于：1）首次实现ED资源配置从"经验驱动"到"数据驱动"的范式转变；2）构建可扩展框架，适用于ICU、手术室等复杂医疗场景；3）为突发公卫事件中的应急人力调度提供决策沙盘。正如通讯作者Dolores Rexachs强调："MCSA+ABM的组合拳，让医院管理者在按下人员调整'确认键'前，能先在数字世界预见结果。"

未来方向包括整合深度学习预测患者流量波动，以及开发跨院区资源配置云平台。该成果已获西班牙科学与创新部PID2023-147955NB-I00项目资助，正在加泰罗尼亚地区医院推广试点。