一种多目标模糊随机优化方法，用于气候相关灾难发生后对伤员的二次分诊与患者分配

《Safety Science》：A multi-objective fuzzy random optimization approach for post-triage patient allocation in the aftermath of climate-related disasters

　　永野|陈平国|黄丽珍|詹沙雷
陶洲大学公共卫生与应急管理研究所，中国浙江陶洲318000

**摘要**
极端气候灾害和其他大规模紧急情况通常会引发大规模的紧急医疗服务需求激增，这需要在高度不确定性的环境下快速有效地分配患者资源。本研究提出了一个多目标模糊随机规划模型来解决这一挑战，重点关注三个关键目标：匹配度（临床适用性）、与交通相关的健康和时间成本，以及跨紧急区域的公平与韧性分配。匹配度衡量患者病情与医院治疗能力的匹配程度，有助于确保临床上的适当分配，同时考虑运输过程中病情恶化的风险。为了应对由灾难影响的不可预测性和需求估计的不准确性所带来的双重不确定性，该模型将随机性和模糊性整合到一个统一的框架中。使用非支配排序遗传算法II（NSGA-II）生成帕累托最优解集，并从中选择出一个平衡的分配方案。尽管该模型是以极端气候事件为主要背景开发的，但它适用于广泛的大规模紧急情况。通过分析2022年上海COVID-19疫情的数据来展示其实际应用效果。结果表明，模糊随机方法能够更好地匹配医疗资源和患者需求，减少转运过程中的可避免的健康状况恶化，并支持物流效率与区域的公平韧性分配。

**引言**
极端气候灾害对医疗系统造成了前所未有的压力。洪水、野火、热浪和暴风雪会破坏基础设施，中断电力和通信，导致大量人口流离失所。在这些事件中，医疗需求会急剧且不可预测地增加。2021年德克萨斯州冬季风暴期间，普遍的停电和交通中断阻碍了重症患者的转移。2022年，巴基斯坦的严重洪水导致超过3000万人流离失所，并摧毁了农村诊所。包括孕妇和创伤患者在内的脆弱人群无法获得必要的医疗护理。张等人（2024）强调，基础设施崩溃和大规模人口流离往往是医疗响应协调失败的原因。在许多情况下，问题不在于医疗资源的完全缺乏，而在于在快速变化的环境中无法有效分配这些资源。重症患者可能被送往设备不足的医疗机构，反映出分配决策中的匹配度（临床适用性）较低，而设备更好的医院则得不到优先处理。这种错误分配增加了发病率和死亡率。现有的决策系统在系统地解决患者需求与医院能力之间的匹配度（临床适用性）方面能力有限。大多数运营模型侧重于最小化旅行时间或均衡区域容量，而治疗匹配很少被作为明确的目标纳入其中，尽管临床适用性在决定结果方面起着核心作用。

**大规模紧急情况下医疗分配的挑战**
大规模紧急情况中的医疗分配挑战因不确定性而加剧。需求不仅是随机的，而且定义也不明确。患者数量、病情严重程度和地理分布变化迅速。在许多情况下，关于可用容量和需求的数据不完整、延迟或基于专家估计。杨等人（2016）和刘（2001）指出，在这种环境中，不确定性来源于统计变化和主观模糊性。在这种条件下进行有效决策需要能够同时处理关键输入中的随机性和模糊性的模型，而不能仅依赖确定性或纯随机公式。越来越多的研究考察了紧急情况下的物流、流行病学动态或人口移动性（Karachaliou等人，2024；Yu等人，2024；Vajdi等人，2024；Yin等人，2024）。在健康领域，许多研究集中在救护车路线规划和紧急医疗服务（EMS）调度上，通常旨在最小化响应时间或优化车辆部署（Liu等人，2025a；Teoh等人，2026）。这些贡献为院前响应提供了宝贵的见解，但对将已分类的患者分配到不同医院的后期问题关注较少。罗等人（2022）和叶等人（2022）提出了在分层诊断和治疗系统下优化公平性或旅行距离的分配模型。特别是叶等人（2022）考虑了匹配度、距离和公平性作为共同目标。然而，这些模型仍然依赖于相对稳定的输入，并没有充分考虑到不断变化的不确定性、运输过程中的病情恶化或基于队列的系统性能指标。

**本研究的发展**
为了解决这些问题，本研究开发了一个用于大规模紧急情况下患者跨医院分配的决策模型。该模型追求三个相互关联的目标：最大化患者与机构之间的匹配度（临床适用性），最小化与交通相关的健康损失和时间成本，以及实现跨紧急区域的公平与韧性分配。通过结合模糊变量和随机变量的双重结构来表示不确定性，使模型能够反映需求和救援时间估计中的统计变异性和认知模糊性。使用模糊随机规划框架构建模型，并应用非支配排序遗传算法II（NSGA-II）生成一组帕累托最优解。通过基于2022年上海COVID-19疫情数据的模拟来评估该模型的实际效果。虽然该模型适用于广泛的大规模紧急情况，但极端气候事件是本研究的主要动机和政策背景，因为医疗系统的韧性日益被认为是气候适应的关键组成部分。

**概念基础**
本节概述了在灾难条件下开发有效医疗资源分配模型的概念基础。首先回顾了先前的方法，并解释了现有模型为何在应用于实际紧急情况时常不尽如人意。然后讨论了影响分配结果的三个基本目标：运输效率、分配公平性和匹配度（临床适用性）。这些目标并非容易分开。

**建模背景**
极端气候灾害（如洪水、热浪、台风和暴风雪）越来越频繁且严重，对医疗系统造成持续压力。这些事件会破坏基础设施和交通，引发创伤和急性疾病的激增，并使脆弱群体面临二次疫情风险。在许多过去的紧急情况中，主要问题不是医疗资源的完全缺乏，而是在信息变化迅速的情况下无法有效分配现有资源。

**模型解决方案**
基于这三个目标和模糊随机表示的不确定性，所得到的分配模型是多目标、非线性和组合型的。因此，传统的精确优化技术不适用，需要采用元启发式方法。本节介绍了NSGA-II作为解决策略。

**案例模拟分析**
为了评估所提出的分配模型在复杂和不确定的紧急情况下的表现，本研究使用了2022年上海COVID-19疫情的数据进行模拟。尽管这些实证数据基于大流行情况，但该情景被用作极端气候引起的医疗中断的代理。这是因为这两种危机具有相似的结构特征，如患者需求的突然激增、机构容量的严重不匹配、基础设施破坏等。

**结果解释**
研究结果表明，灾后患者分配应被视为一个平衡多个相互作用目标的结构化过程，而不仅仅是一个单一的优化目标。帕累托分析表明，临床适用性、运输效率和公平与韧性分配是相互制约的条件，反映了灾难期间医疗系统运作的复杂环境。

**结论**
本研究解决了大规模医疗中断情况下的后期患者分配问题，以极端气候相关灾害为主要背景。在这种环境下，紧急医疗服务协调不仅受到需求突然激增的影响，还受到信息碎片化和运输中断、机构能力不均衡的影响。为此，本研究开发了一个多目标模糊随机优化框架。

**资助**
本研究得到了浙江省自然科学基金（项目编号LZ23G030001）、浙江省哲学与社会科学规划项目（项目编号26QNYC026ZD）以及日本学术振兴会（JSPS）KAKENHI（项目编号26K05052）的共同资助。

**作者贡献声明**
永野：写作——初稿、监督、软件、资源、项目管理、方法论、资金获取、概念化。
陈平国：写作——审稿与编辑、初稿撰写、验证、项目管理。
黄丽珍：写作——审稿与编辑、初稿撰写、可视化、验证、方法论、形式分析、数据管理。
詹沙雷：验证、资源、项目管理、方法论。

**利益冲突声明**
作者声明没有已知的财务利益或个人关系可能影响本文报告的工作。