基于需求预测与线性规划的MRI检查资源分配优化方案研究

为解决大型医院MRI检查排队时间长、资源利用率低的问题，研究人员结合ARIMA、ARIMAX、NAR和NARX模型预测检查需求，并利用整数线性规划(ILP)优化设备分配。结果显示NARX模型预测精度最高(MSE=333.09)，ILP模型可降低检查成本21%。该研究为医疗资源动态调度提供了标准化流程，发表于《Scientific Reports》。

　　

论文解读

在当代中国医疗水平快速提升的背景下，磁共振成像(MRI)检查需求呈现爆发式增长。大型公立医院普遍面临患者排队周期长、设备资源分配不均的困境。传统解决方案往往陷入两难：增加设备采购会导致资源闲置，维持现状则延误诊疗时机。这种矛盾在新冠疫情后尤为突出——数据显示，2020年1月至2021年3月期间某三甲医院MRI申请量骤减，而节假日后首工作日又会出现需求激增现象。如何通过科学预测和精准调度破解这一难题，成为提升医疗服务质量的关键。

中国人民解放军总医院第六医学中心联合中国联通北京分公司的研究团队，创新性地将人工智能预测与运筹学方法相结合。研究收集了2017年7月至2022年11月共1522天的MRI检查申请数据，排除疫情特殊时段后，构建了包含节假日等外生变量的多模型预测体系。通过SAS 9.3软件建立ARIMA(0,2,1)(0,2,7)₁₂模型，MATLAB R2015b开发NARX神经网络（隐含层神经元12个，延迟阶数7），最终采用贝叶斯正则化算法提升模型泛化能力。预测结果驱动整数线性规划模型，以三台MRI设备（日最大检查量分别为72/58/41人次）的成本参数（280/250/220元/人次）为基础，实现检查计划优化。

研究结果

时间序列特征分析
数据呈现显著周周期规律：周一达峰（196人次），周末谷值（48人次）。春节等农历节日导致申请量异常波动，节后首日检查需求激增30%。

模型性能对比
NARX模型表现最优（MSE=333.09，R=0.9549），较传统ARIMA模型误差降低75.7%。引入节假日外生变量的ARIMAX-NARX混合模型MAPE仅为0.1388。

资源调度方案
以2022年10月24-30日预测数据为例，ILP模型给出成本最优解：MR1设备工作日满负荷运行（72人次/日），MR3承担全部周末检查（41人次/日），总成本较随机分配降低18.6%。敏感性分析显示设备最大检查量每减少5%，成本将上升7.2%。

优化流程图
构建包含数据采集→需求预测→成本计算→ILP规划→效果评估的闭环管理系统，特别强调历史数据准确性对模型效力的影响。

结论与展望
该研究首次将NARX神经网络与整数线性规划结合应用于MRI资源调度，验证了非线性时间序列模型在医疗需求预测中的优越性。提出的标准化流程图为医院管理者提供了可落地的决策工具，其核心价值在于：通过精准预测将患者平均等待时间缩短3.2天，设备利用率提升22%。研究局限性在于未考虑天气、医保政策等外生变量，未来拟扩展多中心验证并开发智能调度系统。这项发表于《Scientific Reports》的成果，为破解"看病难"问题提供了创新性的数智化解决方案。