《Frontiers in Digital Health》：An intelligent digital twin framework with AI-driven optimization for patient flow and clinical scheduling in smart healthcare systems
编辑推荐：
医院急诊部门的运行可能因不可预测性、资源稀缺和服务压力增加而面临诸多操作困难。在本论文中，研究人员提出了一个多层级AI增强数字孪生框架，借助三个真实数据集开展案例研究，以分析患者流和临床调度模式。该框架包含三个层级，即时间预测层、临床鲁棒性层和结果验证层，旨在
医院急诊部门的运行可能因不可预测性、资源稀缺和服务压力增加而面临诸多操作困难。在本论文中，研究人员提出了一个多层级AI增强数字孪生框架，借助三个真实数据集开展案例研究，以分析患者流和临床调度模式。该框架包含三个层级，即时间预测层、临床鲁棒性层和结果验证层，旨在从真实数据集生成医院动态的指示。时间智能层集成了一个基于长短期记忆网络（LSTM）的模型，该模型展现出具有竞争力的预测性能（R2 = 0.6785，平均绝对误差（MAE） = 0.0895，均方根误差（RMSE） = 0.1103）。此外，临床鲁棒性层使用由56万条记录组成的分诊数据集，基于病情严重度生成拥堵模式的理解，并揭示最大拥堵出现在11:00至14:00时段，主要由中等严重度患者（急诊严重度指数-3，ESI-3）引起。结果层展示了模型的效果，显示平均等待时间约为35分钟。此外，等待时间与患者满意度之间存在负相关。跨数据集趋势分析揭示了时间趋势的相似性，表明所开发的框架反映了医院环境的代表性特征。总体而言，本研究强调了将AI驱动的预测与数字孪生模型相结合以辅助关于患者流分析和调度政策评估决策的重要性。
# 论文解读：面向智慧医疗系统的智能数字孪生框架用于患者流与临床调度
## 研究背景与问题
当前全球医疗保健系统正面临日益严峻的运行压力，主要源于患者需求增长、资源短缺以及患者满意度要求的提升。医院作为动态系统，患者进入和离开医院，且由于患者个体差异和资源限制，存在不同的治疗路径，导致患者等待时间增加、临床医师与部门间工作负荷失衡。传统医院管理系统依赖预定义算法和员工经验，处理能力有限，尤其在应对急诊患者入院、人员配置和治疗延迟等操作问题时效率低下。数字孪生（Digital Twin, DT）技术通过构建医院系统的虚拟模型，允许管理员在不干扰实际服务的情景下进行实验和分析。人工智能（Artificial Intelligence, AI）的引入进一步增强了数字孪生的决策能力，通过预测和自适应能力分析患者流量和治疗时间。然而，现有研究多集中于数字孪生的独立应用（如患者追踪、设施管理或事件预测），缺乏将时间预测、工作负荷建模和结果驱动分析整合于单一数字孪生框架的系统性方案，且少有研究使用多个数据集验证所提出的方法。因此，本研究旨在提出一个多层级AI增强数字孪生框架，整合时间智能、基于病情严重度的拥堵分析和结果验证概念，以模拟医院患者流和急诊临床调度，并支持数据驱动的决策分析。
## 主要关键技术方法
研究人员采用数据驱动和仿真建模相结合的技术路线，主要依赖三个公开的Kaggle数据集：（1）患者脚注预测数据集（用于时间序列到达预测）；（2）医院分诊与患者历史记录数据集（包含约56万条分诊记录及急诊严重度指数（Emergency Severity Index, ESI）评分）；（3）医院急诊数据集（包含等待时间、入院结果和出院状态）。关键技术包括：（1）时间预测层：基于长短期记忆网络（Long Short-Term Memory, LSTM）的中期到达预测模型，序列处理使用30个时间步长的滑动窗口；（2）临床鲁棒性层：基于ESI分级的拥堵建模，通过患者严重度加权分析负荷分布；（3）结果验证层：通过等待时间分布和患者满意度相关性分析评估操作效果。数字孪生建模采用状态更新公式，描述患者流、资源可用性和床位占用随时间的变化，并通过仿真实验评估不同的调度策略。
## 研究结果
### 4.1 数据集-1：患者脚注预测结果（时间智能层）
通过平滑后的患者脚注数据比较多种预测模型性能，线性回归和岭回归表现最佳（R2=0.7703），但LSTM模型在未平滑数据中展现出竞争性表现（R2=0.6785, MAE=0.0895, RMSE=0.1103），能够捕捉中期时间特征。7天移动平均趋势图显示，LSTM预测值与实际到达模式高度吻合，峰值和谷值对应良好。残差误差对称分布于零附近，表明模型学习了季节性和周期性模式，无极端偏斜分布，证明时间智能层在不同需求情境下的有效性。
### 4.2 数据集-2：临床鲁棒性与数字孪生验证
基于急诊分诊数据的患者到达小时分布显示，每日有两个高峰时段（11:00–14:00和15:00–18:00），夜间（23:00–06:00）到达显著减少。按严重度分层的患者负荷表明，中等严重度患者（ESI-3）到达数量最高，且在11:00–14:00时段最为集中；高严重度患者（ESI-1/2）到达较少且分布均匀，低严重度患者（ESI-4/5）在白天和傍晚时段相对较多。数字孪生导出的基于严重度加权的拥堵剖面显示，中午时段（11:00–14:00）拥堵水平最高，之后逐渐下降至夜间，该趋势与数据集-1中的时间到达率模式一致，表明框架能有效反映不同数据集间的拥堵特征。
### 4.3 数据集-3：结果验证与等待时间真实性
#### 4.3.1 等待时间分布
等待时间分布在10至60分钟之间，平均值约为35分钟，无极端尾部。无论患者是否入院，入院和非入院患者的等待时间均接近35分钟，表明等待时间行为一致性。等待时间与患者满意度呈负相关，即等待时间越长，满意度越低，该关联性已在医疗研究中有充分记载。按到达时间划分的等待时间剖面显示，凌晨（03:00–06:00）到达的患者延迟较长，下午（15:00–18:00）到达的等待时间较短，这一趋势与数据集-2中的拥堵趋势一致，表明两个数据集在时间操作层面具有一致性。
## 讨论与结论
本论文提出了一种AI驱动的数字孪生架构，整合了时间预测、临床鲁棒性建模和结果验证三大层级，用于评估急诊部门性能。三个不同数据集之间观察到一致的行为模式，表明该架构能够有效捕捉患者到达、拥堵行为和等待时间行为的某些特征。时间智能层捕获长期到达行为，临床鲁棒性层捕获基于严重度的拥堵行为，结果验证层捕获等待时间与患者满意度的相关性。该模型并非全功能运行系统，而是为分析医院流程动态提供循证视角，通过预测模型与数字孪生的结合实现结构化评估，辅助评估不同调度方法。
结论部分原文翻译如下：本论文描述了一种AI驱动的数字孪生架构，旨在通过将时间预测、临床鲁棒性模型和结果验证整合在同一架构中来评估急诊部门性能。在三个不同数据集之间观察到一致性行为，表明所提出的架构能够有效捕获患者到达、拥堵行为和等待时间行为的某些特征。时间智能捕获长期到达行为，临床鲁棒性捕获基于严重度的拥堵行为，结果验证捕获等待时间与患者满意度之间的相关性。该模型并非描绘一个功能完备的运行系统，而是提供了一种基于证据的视角来分析医院流程动态。多种分析元素的整合有助于在仿真中理解患者流、资源分配和拥堵动态之间的相互影响。这表明预测建模与数字孪生模型的结合能够实现对医疗保健操作的结构化评估，进而辅助评估不同的调度方法。尽管所提出的数字孪生方法具有令人鼓舞的能力，但仍有待进一步研究以在实时环境中验证和实施该方法。未来研究应考虑纳入实时数据流、采用更复杂的优化或强化学习算法进行患者调度，并在多家医疗机构中测试该方法。
