《Healthcare Analytics》：An analytical survival modeling framework for reducing helicopter emergency medical dispatch cancellations
编辑推荐：
直升机被广泛应用于多种紧急服务中，包括医疗响应、搜索与救援、灾难响应及执法等领域。在医疗响应背景下，直升机任务在完成请求前（即能在患者接触和提供援助之前）经常被取消。在欧洲大部分地区，紧急医疗服务（EMS）每年每千名居民执行50至150次任务，旨在提供快速医疗
直升机被广泛应用于多种紧急服务中，包括医疗响应、搜索与救援、灾难响应及执法等领域。在医疗响应背景下，直升机任务在完成请求前（即能在患者接触和提供援助之前）经常被取消。在欧洲大部分地区，紧急医疗服务（EMS）每年每千名居民执行50至150次任务，旨在提供快速医疗护理并将患者从现场转运至医院。直升机紧急医疗服务（HEMS）是院前救护的关键组成部分，在地面救护车服务过慢或不足时，提供更快或更高级的医疗支持。从受伤到治疗的时间被认为是患者预后的主要决定因素。通过缩短获得高级治疗的时间，HEMS可能改善最危重伤患者的生存率。对HEMS的需求急剧上升：荷兰一个地区的调度次数在2010年至2019年间翻了一番，丹麦报告2013年至2022年增加了35%。时间因素在紧急事件发生模式中发挥重要作用，其中一天中的小时被认为是最强的紧急事件预测因子之一。
各类HEMS或可比的专业EMS报告显示高取消率（在HEMS背景下也称为stand-downs），即直升机被调度但未见到患者。在一项荷兰研究中，初紧急呼叫后58.3%的HEMS调度被取消，主要原因在于患者状况稳定被证实。由于HEMS成本高昂且资源有限，高效分诊对于仅向病情最危急的患者派遣直升机至关重要。然而，调度决策是在时间压力下且信息有限的情况下做出的，往往基于未经培训的旁观者向调度中心发出的初始紧急呼叫，这导致高取消率。不必要的飞行浪费资源、使机组人员面临风险、损害环境并降低服务可用性。在平衡过度分诊与分诊不足之间仍具有关键性的同时，Giannakopoulos等人建议可以在不过度增加分诊不足的情况下减少过度分诊。
本文开发了一个概念验证框架以减少HEMS取消，研究推迟直升机起飞的想法，在取消任务百分比与患者预后之间进行权衡。研究人员探索了该方法的益处和风险，考虑取消率与健康结局之间的权衡，检验短期延迟如何在不影响患者预后的情况下提高调度准确性。首先，使用逻辑回归从实际调度数据中识别取消的预测因子。然后，生存分析模型量化延迟如何影响取消概率。对于患者的医学预后，研究人员使用发病率模型作为HEMS响应时间的函数。最后，帕累托最优分析可视化最小化取消与最大化健康预后之间的权衡，并概述了实际调度实现方案。
本研究是首次基于真实调度数据使用生存分析对随时间的取消概率进行建模。通过将关键因素作为协变量，该框架整合了以往文献的发现，形成了对取消模式的全面视图。研究人员将该方法应用于荷兰HEMS，重点关注高处坠落受伤的患者，因为此类事件是HEMS调度的主要原因之一，并且观察到特别高的取消率。研究人员使用了该移动医疗团队（MMT）2016年至2022年的调度数据，以及与该服务医生共同开发的发病率模型。
论文结构如下：第2节回顾相关工作；第3节介绍所建立的数学模型框架；第4节将该框架应用于荷兰某地区的真实数据；第5节讨论研究发现、指出局限性并提出未来工作建议；第6节给出研究的主要结论。
研究背景、现存问题与研究必要性
直升机紧急医疗服务（（HEMS））是院前急救体系中的关键组成部分，其核心价值在于通过缩短从受伤到获得高级医疗处理的时间，改善危重伤员的生存预后。然而，HEMS在运行中普遍面临极高的任务取消率——在荷兰的一项研究中，初始紧急呼叫后的HEMS调度取消率高达58.3%，英国报告为38%，芬兰为40%。高取消率意味着大量飞行资源被无效消耗、机组暴露于非必要风险、服务可用性下降，同时伴随环境成本。取消的主要原因在于分诊准确性不足：调度决策通常在时间压力大、信息极其有限的情形下做出，往往依赖未经培训的旁观者提供的初始呼叫信息。既有研究多聚焦于改进调度标准或优化分诊流程，但少有人从时间维度动态考虑取消风险，即任务在等待期间可能自然取消（例如患者状况稳定或地面救护已实施“Scoop and Run”）。在此背景下，本研究提出一个数据驱动的概念验证框架，通过生存分析动态预测任务取消概率，并系统探索延迟直升机起飞作为减少不必要调度的手段，在取消率和患者预后之间进行量化权衡。
研究内容、结论与意义
研究人员针对荷兰奈梅亨（Nijmegen）HEMS服务2016–2022年间高处坠落伤患者的调度数据（共2919条记录，其中1690条被取消、1147条完成救治）开展回顾性分析。该服务覆盖荷兰东南部，约90%任务使用直升机；调度协议包括基于AMPDS的ProQA和荷兰本土的NTS（（Nederlandse Triage Standaard））两种。研究发现，59.6%的高处坠落伤调度被取消，其中87%因患者状况稳定而取消。研究人员首先通过单变量逻辑回归从响应时间、区域、次区域、调度中心、调度协议、儿童/成人等候选变量中识别取消预测因子，并依据专家意见最终确定响应时间、年龄组（儿童/成人）和调度协议为协变量。随后构建多变量Cox比例风险（（PH））模型，以取消作为事件、完成救治作为右删失记录，量化不同任务特征下取消概率随时间的变化。参数估计显示：较长响应时间和ProQA调度显著增加取消风险。针对患者预后，研究人员通过专家共识程序开发了基于发病率轨迹的预后模型：由十位HEMS医师（麻醉学和创伤外科）定义六类损伤组（稳定患者、单纯呼吸问题（AB）、单纯循环问题（C）、单纯神经创伤/脊髓损伤（D）、神经创伤合并呼吸/循环问题（ABCD）、现场死亡患者）和三个年龄层（儿童、成人、老年），并针对每一组合给出随HEMS响应时间变化的发病率曲线。为模拟取消任务的假设响应时间，研究采用含线性项、指数项和常数项的函数模型拟合实际完成任务的响应时间数据。最后，利用帕累托前沿分析对等待策略进行多目标优化，评估不同等待时长（0–10分钟）对取消率下降和发病率上升的联合影响，并进行敏感性分析以检验结果的稳健性。研究意义在于：这是首个基于真实调度数据、利用生存分析方法对随时间变化的HEMS取消概率进行建模的研究，为更智能的数据驱动型HEMS运行提供了概念验证，有助于在临床优先与后勤现实之间取得平衡。
主要关键技术方法
本研究采用的主要方法包括：（1）单变量逻辑回归用以筛选取消预测因子；（2）多变量Cox比例风险（（PH））模型（采用L2正则化和按年龄组分层以满足PH假设）动态估计任务存活概率（即未被取消的概率）；（3）非线性响应时间模型（\(t_r(dist)=a\cdot dist - b\cdot e^{c/dist}+d\)）估计取消任务的假设响应时间；（4）基于专家共识的发病率模型（定义六类损伤组和三个年龄层）量化延迟救治的预后损失；（5）Pareto前沿分析进行多目标优化权衡；（6）敏感性分析（乐观/悲观情景和95%置信区间）检验稳健性。数据来源为荷兰Nijmegen HEMS 2016–2022年间高处坠落伤调度记录（2919条）及专家小组问卷评估。
研究结果
4.3.1 取消率
通过将调度数据按调度协议、年龄组和5分钟响应时间分组并计算不同等待时长下的取消率变化，研究发现：短响应时间（≤10分钟）的任务因等待而增加取消率——等待延长了响应时间，新产生的取消数量超过因延迟起飞而避免的数量；中等响应时间（11–15分钟）短时等待会略微提升取消率，但较长等待可将其降至原始水平以下；长响应时间（>20分钟）的任务延迟起飞持续降低取消率，等待越长、取消率降幅越大（例如31–35分钟组等待10分钟可降低约40个百分点）。儿童任务取消率总体偏高，但成人取消率随等待下降更快。ProQA调度的取消率略高于NTS，但等待10分钟后两者趋于一致。这些结果是通过对分组任务逐一模拟不同等待时长的取消概率变化得出的。
4.3.2 发病率增加
使用发病率模型评估延迟响应导致的发病率增加后发现：发病率增加范围在0.2%至6.6%之间，短响应时间任务受延迟影响更大——响应时间6–10分钟组等待10分钟导致6.59%的发病率上升，而26–30分钟组相同等待仅增加1.41%。发病率增加随等待时间单调上升且边际增幅递减，这源于发病率曲线本身的非递减特征。结果表明延迟起飞对长响应时间任务的预后影响相对温和。
4.3.3 帕累托分析
通过绘制取消率与发病率增加的帕累托前沿，研究发现：对短响应时间（≤15分钟）任务，帕累托最优解仅包含较长等待时间（8–10分钟），但这些策略在降低取消率方面收效甚微而发病率代价较高，因此不建议延迟起飞；对长响应时间任务，帕累托前沿显示显著的取消率降幅伴随极小的发病率代价，且等待效果存在不对称性——多数取消减少发生在等待的最后几分钟，而发病率增加速率递减，因此一旦决定延迟，较长等待优于较短等待。不同调度协议和年龄组的帕累托前沿形状相似。这些结果通过对不同响应时间区间逐一绘制帕累托前沿并比较非支配等待策略得出。
讨论与结论
讨论部分指出，生存模型在运营调度数据上的应用能够为特定任务预测取消概率，并揭示荷兰HEMS运行中某些调度特征下短时等待可以大幅减少取消且发病率代价极小（在某些情况下取消率降低15%–20%而发病率增加不到2%）。研究人员建议将专家定义的典型场景最优等待时间嵌入调度系统作为动态上限，根据实时信息调整；该方法也可能为新型分诊系统奠定基础，在等待期间可重新评估新请求并将资源引导至需求更迫切的患者。局限性方面包括：模型未在外部数据集中验证、发病率模型基于专家而非实际患者预后、短响应时间任务中取消与到达（删失机制）之间存在依赖性可能违背非信息性删失假设、专家小组同质性造成估计偏差风险等。未来工作建议包括时间序列外样本验证、引入含竞争风险框架的模型、纳入如EMS获益评分（（EBS））等替代结局指标、以及扩展到其他患者群体。
研究结论部分翻译如下：
HEMS在院前救护中至关重要，可加速获得专科医疗处理并改善患者预后。然而，由于分诊准确性欠佳，这些服务面临高取消率。本研究引入一种新颖的数据驱动框架，通过对HEMS运营数据进行生存分析来预测任务随时间变化的取消概率。研究人员探索了战略性延迟直升机起飞以减少取消的策略，并评估其对患者预后的影响。通过将该框架应用于荷兰HEMS特定患者群体的真实数据，研究人员评估了不同等待时长对取消率和患者发病率风险的影响。结果显示存在帕累托最优权衡，即适度延迟起飞可以在对发病率风险影响最小的情况下显著减少取消。该研究方法适用于多种HEMS系统，为更智能、数据驱动的HEMS运营提供了概念验证，使临床优先事项与后勤现实相协调。在实际应用中，该框架有望提高运营效率、节约资源并减轻机组负担，从而最大化服务可用性，确保最危重伤员获得充分救治。
