疫情下检测资源配置与ICU床位规划的协同优化策略：基于非线性流行病学模型的研究

本文推荐：该研究创新性地构建了整合流行病学仓室模型（compartment model）与非线性规划（NLP）的决策框架，提出时变检测能力调整机制和ICU床位弹性扩容方案，并引入公平性满意度函数。通过改进多元宇宙算法（IMVO）求解，揭示检测资源分配与人口基数/迁移模式相关，而ICU床位优先配置高死亡率区域的规律，为突发公共卫生事件资源优化提供量化工具。

　　

亮点

本研究提出创新模型，同步优化疫情期间检测资源配置与ICU床位规划。首先，我们将未感染者的核酸检测、感染者的自愈现象以及康复者的再感染机制纳入流行病动力学模型。其次，模型引入时变调整机制，动态匹配检测资源与ICU床位容量约束。第三，我们建立混合整数非线性规划（MINLP）模型，探究多区域协同防控策略。

模型验证

通过固定决策变量为实际值，求解带标准目标函数（式31）的NLP模型（1-30式）进行验证。由于非线性约束和非凸解空间特性，模型解为近似最优。图4展示了上海各区域COVID-19病例的预测与实际流行曲线对比。

研究发现

1. 1.

   病毒检测资源的区域分配比例保持稳定，与人口基数和迁移模式相关

2. 2.

   ICU床位倾向于优先配置高死亡率区域

3. 3.

   公平分配策略虽可能暂时增加局部地区感染/死亡数，但能降低整体疫情冲击

4. 4.

   模型框架具有普适性，可拓展至其他传染病防控场景

结论

该研究为决策者提供了兼顾效率与公平的危机应对工具，通过时变资源调配和弹性容量规划，有效提升公共卫生系统韧性（resilience）。改进的IMVO算法满足应急决策的时效性需求，为重大疫情资源优化管理提供方法论支持。