基于流程挖掘的模拟工具MedProSim在门诊部候诊时间因果诊断中的应用

《IEEE Access》：MedProSim: A Process Mining-Based Simulation Tool for Identifying the Causes of Waiting Times in Outpatient Departments

本研究针对门诊部门患者候诊时间过长的问题，提出了一个结合流程挖掘与模拟仿真的两阶段框架。研究人员利用医院信息系统（HIS）事件日志，定义了CCT和ACT等关键绩效指标，开发了名为MedProSim的Web工具，通过“as-is”诊断和“to-be”模拟，精准识别了患者到达密度（PAD）、咨询间隔变异性（CIV）和延长咨询时间比率（PCTR）等导致延迟的关键因素。针对不同科室特性设计了三种优化场景。在韩国某三级医院的案例研究中，验证了该框架可有效减少候诊时间，优化患者流。该研究为医院管理者进行数据驱动的运营决策提供了结构化工具和理论支持。

　　

随着医院信息系统的普及，医疗数据呈爆炸式增长，为提升医院运营效率带来了巨大机遇。然而，在门诊等核心场景中，患者候诊时间过长依然是个老大难问题。这不仅影响患者满意度，还可能引发候诊区拥堵等一系列连锁反应。传统的改善研究大多关注“从门口到医生”（DTD）的总时间，但这个指标“一锅烩”，分不清哪些延迟是医院预约系统不给力造成的，哪些又是患者自己来早来晚导致的。这就好比只知道“堵车了”，却不知道是“红绿灯设置不合理”还是“车太多”。同时，现有研究虽然用离散事件仿真（DES）来模拟患者流，但常常忽略了流程挖掘（Process Mining）技术的潜力，导致数据驱动的流程模拟（DDPS）在实际应用中“雷声大，雨点小”，理论研究与实际落地之间存在鸿沟。

为了精准“把脉”门诊效率，并开出有效的“处方”，这项发表在《IEEE Access》上的研究，创新性地提出并验证了一个两阶段框架。它首先像一位经验丰富的“诊断医生”，利用历史事件日志对门诊现状（“as-is”）进行深入剖析，找出病灶；然后，又像一位“规划师”，通过数据驱动的模拟，对不同改进方案（“to-be”）进行预演，选出最优解。为此，团队还专门打造了一个名为MedProSim的Web工具，让医院管理者能轻松上手，在真实改动前“先试后改”。

研究中用到的几个关键技术方法包括：

1. 1.
   事件日志预处理与KPI操作化：从电子健康记录（EHR）中提取并清洗门诊事件日志，基于临床报到（Clinical Check-in）、预约时间、咨询开始等关键时间戳，明确定义了“临床报到至咨询时间”（CCT）和“预约依从性时间”（ACT）这两个新的、更精细的候诊时间KPI，以区分医院可控延迟与患者行为影响。
2. 2.
   流程发现导向的诊断分析：采用描述性统计和点图（Dotted Chart）分析，直观展示患者流模式，并计算患者到达密度（PAD）、咨询间隔变异性（CIV）和延长咨询时间比率（PCTR）三个关键延迟指标，通过t检验识别导致延迟的主要机制。
3. 3.
   数据驱动的离散事件仿真（DDPS）建模：基于从事件日志中自动提取的过程变体、资源（医生）日程和服务时间分布等参数，构建仿真模型。该模型能模拟患者到达、资源占用和排队逻辑，用于评估不同“假设”（what-if）场景的效果。
4. 4.
   案例研究与工具开发：研究在韩国一家三级大学医院的风湿科和肺科进行了案例研究，验证方法的有效性。同时，开发了模块化的MedProSim网络工具，集成数据预处理、参数提取、模拟引擎和结果可视化功能。

研究结果：

C. 定义候诊时间

研究没有笼统地看待候诊，而是根据患者预约时间和临床准备状态，将等待时间精确定义为两类：当预约时间发生在临床报到之前时，使用CCT来衡量患者准备好后纯等待医生的时间；当预约时间在临床报到之后时，则使用ACT来衡量实际咨询开始时间与预约时间的偏差。这种区分有助于将改进重点集中在减少过长的CCT（医生队列等待）和过大的正ACT（排程违规）上。

D. 绩效分析

通过对肺科三位医生（X, Y, Z）的深入分析，点图清晰揭示了不同的延迟模式。结合三个量化指标（PAD, CIV, PCTR）的t检验结果，研究精准诊断出每位医生在不同日期的主要延迟根源：例如，医生X在1月18日主要表现为PAD高（患者到达集中），而在2月21日则表现为PCTR高（咨询时间延长）；医生Y在2月21日是CIV高（咨询间隔不规则）；医生Z在5月30日是PCTR高。这证明了延迟原因具有特异性，没有“万能药”。

E. 实验结果

1. 1.
   模型验证：选取了代表三种不同延迟模式的日期（1月18日、2月21日、5月30日）进行仿真模型验证。将实际日志与仿真输出的平均候诊时间和总周期时间进行对比，t检验结果（p值接近1.0）和低平均绝对百分比误差（MAPE，如3.36%）表明，模型能高度还原真实的患者流。
2. 2.
   假设分析：针对诊断出的不同延迟机制，设计了三种干预场景进行模拟测试：场景1（增加预约间隔缓冲，针对PCTR）、场景2（调整特定预约时间以平滑峰值，针对PAD）、场景3（将多个预约时间分组为平均时间段，针对CIV）。
   • •
     结果显著：例如，对PAD主导的医生X（1月18日）应用场景2，其提出的候诊时间KPI从10.8分钟降至6.4分钟（降低40.7%）；对PCTR主导的医生Z（5月30日）应用场景1（1分钟缓冲），KPI从20.16分钟降至13.19分钟（降低34.6%）；对CIV主导的医生Y（2月21日）应用场景3，KPI从24.49分钟大幅降至14.33分钟（降低41.5%）。
   • •
     与传统指标对比：研究特别对比了提出的KPI与传统的DTD指标。结果显示，上述改进在DTD指标上反映的改善幅度远小于在新KPI上的改善（例如医生Y：新KPI降低41.5%，而DTD仅降低1.4%）。这凸显了使用更精准指标评估排程改进效果的重要性，避免因DTD“稀释”效果而低估有效干预。
   • •
     权衡分析：研究也坦诚了改进的代价。大多数干预场景在减少等待时间的同时，会导致在固定诊疗时段内完成咨询的患者数量（吞吐量）略有下降，且已完成患者的平均咨询时间小幅增加。这体现了在改善患者体验（减少等待）与维持诊疗容量之间需要做出的权衡。

研究结论与意义：

本研究证实，基于机制诊断的、有针对性的排程调整，能够有效减少门诊候诊延迟。核心结论是：不存在“一刀切”的解决方案，最有效的策略取决于特定医生在特定日期的主要延迟机制。即使同属PCTR主导，不同医生可能也需要不同的缓冲时间设置。

其重要意义体现在三个方面：

1. 1.
   理论贡献：提出了一个结合流程挖掘诊断与数据驱动模拟增强的完整框架，明确定义了区分医院与患者责任的候诊时间KPI（CCT/ACT），并引入了PAD、CIV、PCTR三个可量化的延迟根源指标，为门诊流程分析提供了更精细的测量和诊断工具。
2. 2.
   实践价值：开发的MedProSim工具，将事件日志预处理、参数自动提取、仿真建模和场景评估集成于一个易于使用的Web界面，降低了医院管理者应用高级流程分析技术的门槛，支持数据驱动的、“先模拟后实施”的决策模式。
3. 3.
   方法启示：研究通过案例表明，仅依赖传统的DTD指标可能会低估排程改进的真实效果，倡导在评估门诊运营改进时，应同时使用端到端指标（DTD）和更精准的、诊所可控的排程依从性指标（ACT/CCT），以获得更全面的评估视角。

未来，该框架可扩展至放射科、急诊科等其他科室进行适应性测试，并纳入患者爽约、紧急情况等不可预测因素，以及进行成本效益分析，以构建一个更全面、灵活的门诊运营管理工具。