通过地理空间建模优化移动健康诊所的布局

《Public Health in Practice》：Optimizing Mobile Health Clinic Placement via Geospatial Modeling

　　沙卡瓦特·H·塔尼姆|大卫·怀特|布莱恩·威特里克|利奥尔·伦纳特
克莱姆森大学公共卫生科学与系公共卫生建模与响应中心，503爱德华兹大厅，克莱姆森，SC 29634，美国

**摘要**
目标
移动健康诊所（MHCs）为面临地理和社会经济障碍的弱势群体提供灵活的、基于社区的护理服务。最大化覆盖范围可以使得MHCs接触到更多人，改善预防性和持续性护理，并减少健康差异。然而，目前很少有策略来指导选址和路线决策。我们提出了一个框架，通过优化服务覆盖来提高MHC的使用率。

**研究设计**
这是一项回顾性研究。

**方法**
我们分析了南卡罗来纳州一个当地卫生系统中的丙型肝炎病毒（HCV）筛查和治疗的MHC部署情况。我们使用位置分配模型来确定潜在的MHC选址，以最大化5分钟内驾驶或10分钟内步行范围内未参保居民的数量。需求由未参保人口规模加权的区块中心点表示。我们比较了模型提出的选址点与以往MHC部署的服务区域人口数量。我们拟合了负二项混合效应模型，以评估服务区域人口与MHC使用率之间的关系。

**结果**
优化后的选址可以将人口覆盖范围几乎翻倍，对于驾车而言，在实际可行距离内使未参保居民的接触率增加90％；对于步行而言，则增加135％——且无需额外车辆或资源。这种方法还显著减少了服务区域的重复性，同时缩短了平均旅行时间。结果显示，小的地理位置调整就能带来显著的改善。在农村地区，更大的地理覆盖范围与更高的HCV筛查MHC使用率显著相关（驾车p=.0037；步行p=.0095）。我们与当地卫生合作伙伴合作，应用这一框架来指导南卡罗来纳州的MHC实际部署。

**结论**
该框架将空间分析与服务提供相结合，提供了一个可复制、操作准备就绪的工具，适用于不同的交通方式、场所类型和疾病情境。它通过减少旅行时间和服务重复性，支持在高需求地点的战略性选址，最终改善医疗资源不足人群的健康结果。

**1. 引言**
移动健康诊所（MHCs）在医疗体系中扮演着重要角色，为美国、加拿大、英国、法国、挪威、巴西、埃及、伊拉克、印度、南非等国家的许多弱势群体提供必要的医疗服务。这些基于车辆的诊所配备了医疗人员及物资，直接解决了阻碍弱势群体获得医疗服务的根本问题：交通限制、地理隔离和医疗系统的复杂性。通过将预防性护理和慢性病管理直接带到医疗资源不足的社区，MHCs不仅改善了健康结果和降低了成本，还减轻了急诊部门的负担。COVID-19大流行进一步证明了它们的重要性，因为MHCs在应对公共卫生危机中发挥了重要作用。尽管MHCs显示出显著的影响，但它们面临一个根本性的挑战，即缺乏系统性的选址策略。目前，许多MHC项目依赖地理位置和物流便利性而非系统化的选址方法。由于选址影响MHC的可达性，不良的选址可能导致机会损失。例如，我们最近关于HCV筛查和治疗的MHC部署研究数据显示，98个地点的筛查患者数量差异很大，平均每次访问筛查4.81人（标准差=5.89人）。这种广泛差异强烈表明选址是患者参与度的关键因素，系统化的最佳选址方法可以持续提高使用率。此外，患者调查显示，超过一半的患者需要依靠步行或公共交通等非汽车方式到达MHCs，这表明即使对于有交通障碍的未参保人群来说，MHCs也可能仍然难以到达。为了解决这些问题，缺乏基于数据的最佳选址策略、使用率的巨大变异性以及地理和交通可达性问题，可以使用地理空间框架来进行设施选址决策。位置分配模型已被用于固定设施选址，以最大化服务覆盖范围，提高可达性并改善运营效率。然而，移动和固定医疗服务的目的不同，运行条件也不同。固定设施的优化通常优先考虑在人口密集的城市中心最大化患者数量，而这与MHCs的核心使命（即到达地理分散的医疗资源不足社区或需要针对性干预的社区）相悖。此外，传统固定设施模型依赖静态人口数据，无法捕捉动态社区需求和实际的服务使用模式。总之，尽管MHCs具有明显的好处，但它们的部署通常缺乏系统化的、数据驱动的选址策略。为了解决这些问题，我们开发了一个专门用于通过增加服务区域人口来优化MHC选址的地理空间框架。我们的方法 bridged 了传统设施规划框架与移动医疗服务独特要求之间的差距，为卫生决策者提供了基于证据的系统化工具。通过结合实证部署数据和实际使用模式，该框架能够更有效地定位移动医疗服务资源，最终为最需要服务的社区提供更多的医疗机会。

**2. 方法**
图1展示了分析框架。工作流程包括数据准备、需求和可达性估计、位置分配优化以及通过覆盖范围比较和统计验证进行评估。

**2.1. 研究背景和设计**
我们使用了克莱姆森农村卫生部（CRH）的HCV筛查和治疗MHC项目的运营数据，来开发和评估一个优化MHC选址的框架，以覆盖未参保人群。CRH在南卡罗来纳州部署了MHCs，为弱势群体提供HCV筛查和治疗服务。分析仅限于已有MHC活动的上州地区邮政编码，以便直接比较实际选址和我们的框架优化后的选址。本研究获得了克莱姆森大学机构审查委员会（协议号#IRB2022-0150）和Prisma Health机构审查委员会（IRB Pro 00106348）的批准。

**2.2. 数据来源**
2.2.1. 运营数据
我们分析了CRH的HCV重点MHC项目（2021年5月24日至2024年11月13日）的的去标识化记录：48个独特地点的261次部署事件，记录了向1,166名个体提供的服务。每条记录包括地点名称、地址、地点分类、服务日期和服务人数。为确保分析反映社区可达性，我们排除了为封闭人群服务的部署地点（如拘留中心和住宅行为健康设施）。
2.2.2. 人口和地理数据
人口级别的保险覆盖数据来自2018-2022年美国社区调查的五年估计数据，以人口普查区块组为单位。我们使用地理对应引擎将这些数据分解到各个普查区块，通过将每个区块组的未参保人数乘以人口加权分配因子（afact），实现对未参保人口的详细空间分析。城乡分类遵循2020年美国人口普查局的定义。
2.2.3. 交通网络和候选设施数据
道路和行人网络数据来自Esri StreetMap Premium。候选设施地点通过ArcGIS Business Analyst 2024确定，选择标准与观察到的MHC部署类型一致（食品银行、宗教组织、社区健康资源和免费诊所以及医院）。排除了为封闭人群服务或公众无法到达的地点（执法设施、行为健康和成瘾中心以及无家可归者服务）。
2.3. 程序**
2.3.1. 位置分配优化建模
我们使用位置分配模型来确定在合理旅行时间内能最大化未参保人口覆盖范围的最佳MHC地点。位置分配建模使用ArcGIS Pro（Network Analyst扩展）中的位置分配分析层工具实施，指定“最大化覆盖范围”问题类型和从设施到需求点的旅行方向。具体来说，我们采用了最大覆盖范围位置问题（MCLP）公式，选择固定数量的设施以在指定旅行时间内覆盖最大总需求量。每个邮政编码的设施数量与实际部署数量相匹配，并假设候选地点的容量相等。完整的数学公式见补充材料1。旅行时间使用默认网络速度计算，不考虑时间因素。该方法同时确定最佳设施位置并根据可达性分配人口。对于每个邮政编码，我们保持了与实际观察到的相同数量的设施位置，但优化了它们的位置。我们模拟了两种交通情景：5分钟内驾驶和10分钟内步行。
2.3.2. 可达性评估和比较分析
我们使用5分钟内驾驶和10分钟内步行阈值生成了实际和拟议MHC地点周围的网络服务区域。通过将这些服务区域与人口普查区块中心点叠加，计算了可到达的未参保居民数量，从而定义了服务区域覆盖人口，并比较了实际部署和拟议配置之间的邮政编码覆盖范围。
2.4. 统计分析**
为了测试更大的地理覆盖范围是否转化为更高的使用率，我们使用负二项混合效应模型（GLMM）对每次部署服务的患者数量进行了建模。主要预测变量是地点服务区域内的未参保居民数量，并包括了城乡状况及其交互作用，以评估地理环境的异质性。作为敏感性分析，我们还测试了使用未参保百分比并调整服务区域人口的另一种模型公式。
2.5. 软件和可重复性
地理空间分析在ArcGIS Pro 3.4（Network Analyst；StreetMap Premium；ArcGIS Business Analyst）中进行。统计分析在R 4.3中进行。
**2.6. 资金来源的作用**
本研究的分析得到了美国国立卫生研究院国家医学图书馆（R01LM014193）、美国国立卫生研究院国家药物滥用研究所（R33DA059892）以及疾病控制与预防中心预测和爆发分析中心（NU38FT000011）的支持。HCV筛查和治疗项目得到了Gilead Sciences, Inc.（IN-US-987-5892）的支持，此外还获得了南卡罗来纳州农村和初级卫生中心（2015593）专门为未参保患者提供的额外资金。资助方未参与研究的设计、实施、报告或发表决定。

**3. 结果**
本节首先为选定的邮政编码提供了详细发现，以说明空间优化如何改善单个地点和多点场景的选址。然后基于服务区域指标提供了上州地区的综合总结。在此背景下，实际选址是之前的MHC部署地点，拟议选址是模型优化的位置，候选选址是所有考虑的潜在地点。
3.1.1. 单一地点场景：最小化驾驶时间
在一个主要为农村地区的邮政编码中，模型从58个候选地点中提出了一个MHC地点（图2）。拟议地点被选为在5分钟内驾驶范围内最大化未参保人口覆盖范围的候选地点（详见方法部分）。该地点位于未参保居民密集区域的中心，而实际选址则较为偏远。拟议地点在5分钟内可覆盖257个人口普查区块，平均旅行时间为每人3.7分钟，表明其空间可达性较好。服务区域分析显示，该地点在5分钟内可覆盖783名未参保个体，是CRH HCV筛查项目服务区域内23人的32倍。单站点情景下的位置分配，用于衡量驾驶时间，展示了所提议站点、观察站点、候选站点以及农村邮政编码区域内的普查区块中心点的空间分布。（有关更详细信息的图表，请参见补充图1）3.1.2 多站点情景：最小化驾驶时间在一个拥有三个观察到的MHC（移动健康中心）位置的密集城市邮政编码区域内，模型从140个候选站点中优化出了相同数量的提议站点。图3显示了这些站点的空间分布。所提议的配置覆盖了1,410个普查区块，实现了每人平均4.16分钟的旅行时间。与观察站点相比，提议站点在空间覆盖范围上具有明显优势。虽然观察站点主要集中在该区域的西部，但提议站点将服务范围扩展到了整个区域。例如，位于西北角的提议站点能够服务于之前未被服务的无保险居民。服务区域分析显示，观察到的MHC站点可以服务于2,832名独特的无保险个体——即使服务区域有重叠，每个普查区块也只计算一次——而提议站点则覆盖了7,882名个体，增加了5,050人，提高了179%。下载：下载高分辨率图片（2MB）下载：下载全尺寸图片图3. 多站点情景下的位置分配，用于衡量驾驶时间，展示了三个提议站点、三个观察站点、候选站点以及城市邮政编码区域内的普查区块中心点的空间分布。有关更详细信息的图表，请参见补充图2）该地区的发现表明，优化后的站点布置减少了空间重叠并扩大了服务范围。总体而言，有四个邮政编码区的多个站点服务区域存在重叠，即某个站点服务区域内的无保险居民同时也在同一邮政编码区内其他站点的服务范围内。在驾驶情景中，提议站点将无保险人口的重叠减少了87%、95%、96%和100%，有效消除了大部分重复服务。补充图3-6中提供了更多关于步行情景的邮政编码级分析。区域分析：比较观察到的服务区域与模型选定的服务区域图4（a-b面板）展示了在驾驶和步行可达性情景下，上州地区观察到的和提议的MHC站点与普查区块的分布情况。这些综合地图汇总了所有之前已有MHC部署的邮政编码区。尽管区域尺度限制了各个站点具体位置的可见性，但详细的邮政编码级地图（图2、图3、补充图1-6）展示了具体的位置改进和服务范围影响。下载：下载高分辨率图片（3MB）下载：下载全尺寸图片图4. 在（a）驾驶可达性和（b）步行可达性情景下，上州南卡罗来纳地区观察到的和提议的MHC站点与普查区块（需求点）的空间分布。为了比较提议站点与观察站点的服务范围改进情况，我们分析了各个邮政编码区内观察到的和提议的MHC站点配置下的服务区域人口数量。表1总结了每种配置下服务的无保险个体数量。表1. 在不同邮政编码区内，驾驶和步行可达性情景下MHC服务覆盖范围的比较分析，包括独特观察到的和提议的站点位置，以及相应的无保险人口覆盖范围和绝对及百分比改进情况。邮政编码区站点数量 驾驶服务区域内的无保险人口 差异 步行服务区域内的无保险人口 差异 农村/城市观察到的MHC站点 提议的MHC站点 观察到的MHC站点 提议的MHC站点29 30 611 812 1890 78 (4%) 116 242 126 (109%) 农村29 32 5123 783 760 (3,294%) 1?10 1100 (10,032%) 农村29 62 0111 950 4385 (324%) 1?8 988 (8,834%) 农村29 62 1135 222 171,865 (530%) 1430 9296 (2,188%) 农村29 62 4122 9727 1842 1 (18%) 1833 26142 (78%) 农村29 64 01793 1054 260 (33%) 70 15787 (125%) 农村29 66 1134 23783 6 (11%) 1?23 22 (2,220%) 农村29 67 1132 760 9282 (86%) 61 1181 12 (1,863%) 农村29 67 6251 598 (16%) 286 (294%) 农村29 67 851348 1923 575 (43%) 2485 8233 4 (135%) 农村29 69 11127912790 (0%) 2303 50120 (52%) 农村29 69 31277396119 (43%) 28280 (0%) 农村29 31614171036620 (149%) 2114112 (4,620%) 城市29 60 13283277994,967 (175%) 3558 42487 (137%) 城市29 60 5117512295544 (31%) 26229230 (11%) 城市29 60 92484467631,918 (40%) 70 6891185 (26%) 城市29 6111178662834,497 (252%) 69 74968 (16,187%) 城市29 615156322961,733 (308%) 10240230 (2,212%) 城市29 63114271175748 (175%) 79194115 (145%) 城市29 634140350198 (24%) 3203200 (0%) 城市总计28220434195719,914 (90%) 264162023,561 (135%)-?对于没有观察到的服务区域人口的邮政编码区，使用最小值1来计算百分比增加。在驾驶情景中，提议的配置覆盖了41,957名无保险个体，而观察到的配置仅覆盖了22,043名，绝对增加了19,914名个体（增加了90%）。在20个邮政编码区中有19个的覆盖范围得到了改善，而邮政编码区29691没有变化，因为观察到的和提议的站点位置相同。在人口较多的邮政编码区，城市地区的绝对增加最为显著，包括29601、29611和29609。一些农村邮政编码区，如29621、29325和29678也显示出显著的改善，尽管在某些情况下，较大的相对变化反映了非常低的初始基数。在步行情景中，覆盖的无保险人口从2,641增加到6,202人，绝对增加了3,561人（增加了135%）。邮政编码区29634和29693没有变化，因为站点位置没有改变。最大的绝对增加发生在邮政编码区29611，而总体增加分布在城市和农村邮政编码区。与驾驶分析类似，城市邮政编码区由于人口较多，占到了绝对增加的大部分，而一些农村邮政编码区从较低的基数开始也显示出显著改善。在不同驾驶（5-15分钟）和步行（10-20分钟）阈值下的敏感性分析得出了一致的结果，优化后的站点布置将无保险人口覆盖范围分别提高了90-170%（补充材料4）。3.2 观察到的服务区域与MHC利用率之间的关联对南卡罗来纳州98个MHC部署的HCV（丙型肝炎）筛查分析显示，服务区域人口与利用率之间存在正相关（补充表2）。然而，服务区域人口与利用率之间的关联仅在农村地区具有统计学意义（5分钟驾驶：p=.0037；10分钟步行：p=.0095）。虽然城市站点的利用率总体上比农村地区更高（驾驶：p=.0198；步行：p=.0139），但我们没有观察到城市站点内服务区域人口的影响（驾驶：p = 0.915；步行：p = 0.108）。作为敏感性分析，我们还测试了使用无保险百分比作为预测因子的另一种模型公式，并调整了总服务区域人口；结果在补充材料5中呈现。3.2.1 案例研究：实际应用该框架从理论模型转化为操作工具通过CRH和Prisma Health的三个部署案例得到了体现，每个案例都揭示了关于空间优化医疗保健提供的不同见解。这些应用不仅展示了框架的多功能性，还展示了其将抽象优化转化为多样化流行病学背景下可操作部署策略的能力。案例研究1是在南卡罗来纳州的X县实施的，我们对其进行了匿名处理以避免污名化。该县面临有限的医疗基础设施，仅有一家医院，因此成为MHC服务的候选县。目前，CRH并未在该县运营。我们与CRH合作，实施了我们的框架，以确定X县内潜在的MHC服务扩展候选站点。我们重点关注该县内的Y邮政编码区，因为该地区HCV相关住院率和死亡率异常高。使用我们的框架，我们评估了Y邮政编码区内的150个候选站点，这些站点包括教堂、企业和公共服务中心等多种社区可访问的地点。从这个候选池中，我们确定了20个最佳站点用于潜在的MHC部署（图5）。模型优先考虑了35至64岁的无保险成年人，这是HCV的高风险群体。整个过程从县和邮政编码区的选择到站点优化，整合了人口统计、流行病学和交通数据，以确保为目标服务不足的人口提供最大覆盖。下载：下载高分辨率图片（364KB）下载：下载全尺寸图片图5. 南卡罗来纳州X县内20个提议的MHC站点分布，这些站点被确定为支持克莱姆森农村健康未来部署规划。选定的站点为居住在5分钟驾驶或10分钟步行服务范围内的目标人群提供了更好的空间覆盖，以最大化人口覆盖范围。我们根据覆盖的35-64岁无保险成年人的数量对站点进行了排名（补充表4）。总的来说，这20个最佳站点为5分钟驾驶服务区域提供了45,652人的潜在覆盖，其中包括4,335名35-64岁的无保险成年人。排名前九的站点每个站点在5分钟驾驶范围内覆盖了超过250名无保险成年人。在另一个应用（案例研究2）中，我们将该模型应用于优先考虑CRH和Prisma Health目前运营的站点进行呼吸道病毒筛查的MHC部署（由CDC预测和疫情分析中心资助）。我们首先根据COVID-19、流感和RSV的最高死亡率确定了11个优先邮政编码区。在这些高风险区域，我们评估了我们的合作伙伴CRH和Prisma Health运营的32个MHC站点。我们根据每个站点在10分钟驾驶和10分钟步行服务范围内覆盖的35-64岁无保险成年人的数量对每个站点进行了排名（补充表5）。总的来说，这些站点在10分钟驾驶范围内覆盖了63,218名35-64岁的无保险成年人，其中排名第一的站点（匿名处理为S-1）服务了4,846人。尽管S-1在驾驶和步行两种方式下的覆盖范围都最高，但这并非所有站点都呈现这种模式。一些站点仅在驾驶可达性方面表现出高覆盖率，而其他站点则主要在步行可达性方面表现出色。此外，专注于邮政编码区的方法，优先考虑死亡率高的邮政编码区，有助于识别这些邮政编码区内的最佳站点。例如，在死亡率最高的Z-5邮政编码区内的三个站点中，S-3站点提供了最大的覆盖范围。在第三个应用（案例研究3）中，该应用由国家卫生研究院（NIH）的国家药物滥用研究所（NIDA）资助，用于通过MHC提供针对阿片类药物使用障碍（MOUD）的药物，我们从六个候选站点中选择了三个站点（补充表6）。由于需要将MHC部署在靠近340B药店的位置，以便患者能够方便地取药，这限制了候选站点的数量。我们评估了这些候选站点，在10分钟步行和5分钟驾驶范围内为35-64岁的无保险成年人计算了综合服务区域人口。站点S-1、S-2和S-3（匿名处理）被确定为最佳的三站点配置，总共为1,550名35-64岁的无保险成年人提供服务。这种配置最大化了对目标人群的覆盖范围，并减少了服务区域的重叠。4. 讨论本研究展示了如何通过结合实际操作数据的位置分配分析，将MHC站点的布局从基于便利性的做法转变为系统化、数据驱动和基于证据的过程。一个核心发现是，重新分配现有站点可以释放大量潜在能力。使用相同的28个诊所，优化后的布局在5分钟驾驶范围内将无保险人口覆盖范围增加了90%，在10分钟步行范围内增加了135%。这些收益来自于将诊所向需求集群转移，减少服务区域之间的重叠，并最小化旅行时间。在一个示例邮政编码区，将一个诊所从边缘位置迁移到中心位置，使5分钟驾驶范围内的无保险人数从23人增加到783人，10分钟步行范围内从0人增加到101人，说明了小的地理变动可以带来显著的改进。在密集的城市邮政编码区的大幅增加，以及农村地区的显著收益表明，这种方法在两种环境下都提高了医疗服务不足人群的覆盖范围。研究发现表明，根据具体情况，可以同时扩大服务区域的人口范围和改善可达性。在多站点城市邮政编码区，分散诊所可以减少聚集，扩展到以前服务不足的区域，并增加对目标人群的覆盖范围。在人口分散且基础接入有限的农村邮政编码区，空间调整显著增加了目标人群的覆盖范围。基于驾驶和步行的优化揭示了不同的现实情况。驾驶情景扩大了总体覆盖范围，而步行情景暴露了可通过步行路径或人行道到达的区域。在步行配置下，相对收益始终更大，表明未来的站点布局有机会提高行人的可达性。潜在地，这种社区规模的医疗设施布局对于依赖地理位置的人群非常重要，尤其是那些由于行动不便或缺乏交通选择的人群。因此，多模式规划是必不可少的，因为针对单一模式的优化可能在总体上是高效的，但可能会留下对没有汽车的人的接入缺口。除了增加覆盖范围和可达性之外，该框架还支持更加以患者为中心的规划和评估。通过生成区块级别的旅行时间，它提供了操作基准，如平均旅行时间或高百分位数旅行时间，可用于评估收益。该框架还支持场景测试，例如在投入全部资源之前，重新分配站点或在不同时间与社区合作伙伴共同设置站点。该框架从分析性的概念验证阶段发展到大型卫生系统中的操作性决策支持工具的过程，通过与Clemson Rural Health和Prisma Health的合作部署得到了体现。现在，该框架直接用于选择提供HCV、呼吸道病毒和阿片类药物使用障碍筛查与治疗的移动健康诊所（MHCs）的站点。通过这些部署，我们的MHC合作伙伴已经开始使用该框架来优先考虑高需求的邮政编码区域，确定可行的站点位置，并协调物流工作，从而展示了其实际影响、可扩展性和即时政策相关性。然而，这里呈现的案例研究主要是基于回顾性和场景分析的可行性评估，而非正式的前瞻性验证。目前，该框架仍在为一些正在进行中的部署提供指导，因此在分析时尚未获得结果数据。因此，我们无法评估模型推荐的实际使用情况是否与预期的覆盖范围提升相一致。

将目标人群与实际使用情况联系起来，证实了该方法的实际意义。服务区域内未投保人群与MHCs用于HCV筛查之间的正相关关系表明，扩大地理覆盖范围可以促进农村地区的使用率提高。但在城市环境中，这种效应会减弱，这表明非空间因素（如社区合作伙伴网络、外展工作、信任度、站点类型和文化适宜性）可能会影响使用的转化效果。不过，这些结论是基于特定疾病的单一站点情况得出的，因此需要谨慎解读。

所有这些发现对卫生政策和系统管理都有直接影响。在扩大MHC车队规模之前，卫生系统应确保资源的最佳配置。几乎可以在不增加投资的情况下将人口覆盖率提高一倍，这为扩大服务覆盖范围和减少医疗服务的空间障碍提供了直接机会。通过将精细的地理空间分析与实际应用相结合，该框架直接支持了推进卫生公平性和系统效率的努力。将此框架嵌入常规规划周期，并通过投资GIS基础设施、高分辨率数据、定期更新的空间层和本地能力来支持其应用，可以改善未来的站点选址决策。这些改进将增强移动健康诊所的规划能力，提高对疫情大流行的应对能力，并加强对更频繁和严重的气候相关事件的紧急响应。此外，由于该框架具有模块化结构，可以轻松扩展到新的地点、背景或目标人群，使其适用于疫苗接种、慢性病管理、 maternal health（此处可能有误，应为“maternal health”）和紧急响应等领域。

尽管本研究集中在南卡罗来纳州北部地区的HCV筛查上，但该框架只需要标准输入数据（地理编码的需求点、交通网络和候选设施位置），这些数据在大多数环境中都是可获得的。为了支持没有专有GIS软件的卫生系统采用该框架，目前正在开发一个基于Web的开源实现版本。

**4.1 限制**
本研究存在一些需要考虑的限制。其针对HCV特定项目的重点可能会限制其在更广泛的初级保健或其他医疗环境中的普遍适用性。分析是在南卡罗来纳州北部地区进行的，可能需要在不同地理环境中（如沿海地区或山区）进行验证，以评估其更广泛的适用性。需求模型使用了按未投保人口数量加权的居民中心点来计算，忽略了白天的人口流动，这可能会影响城市地区的使用模式。此外，ACS（American Community Survey）的区块组估算本身存在误差范围，而基于Geocorr进行到区块级别的细分假设了区块组内人口分布的均匀性，进一步放大了这种不确定性。研究区域内的邮政编码边界与区块组边界不一致，可能会在邮政编码级别的覆盖估算中引入额外的不确定性。另外，Geocorr的分配因子来自十年一次的人口普查数据，当调查年份与人口普查年份相隔较远时，区块与区块组之间的人口比例可能会有所差异。此外，该分析没有涵盖MHC使用的纵向或季节性变化。此外，该研究在选址时没有考虑医院的当前位置或药店的位置。候选站点的选择范围仅限于与观察到的MHC部署类型一致的地区，其他定义可能会导致不同的最佳配置。模型分别考虑了驾车和步行方式，但没有考虑城市地区的公共交通网络。将驾车和步行目标合并为一个多模式优化在计算上较为复杂，这是未来工作的一个重要方向。未来的研究还可以通过整合所有交通方式网络、医院或药店的当前位置、实时移动数据以及患者偏好来进一步完善模型，以提高其响应性和影响力。

随着我们继续与CRH合作为未来的MHC部署提供信息，有很大的机会对该模型进行前瞻性验证，评估基于这些建议的实际选址是否符合预期的服务效果。最重要的是，尽管所提出的框架能够根据需求和可达性指标确定最佳位置，但它不能保证模型选定的站点在现实中是可行的，因为许可、时间安排或物流限制等因素可能会影响实际实施。不过，这种分析方法最显著的局限性在于它仅关注空间可及性，而这种可及性虽然必要，但不足以保证实际使用。我们的研究发现表明，在城市环境中，地理可及性对使用率的影响较弱，这说明部署分析策略可能无法在没有同时建立社区信任和合作伙伴关系的情况下发挥全部潜力。模型可以确定最佳选址，但无法确保实际应用所需的信任和合作伙伴关系。未来的扩展可以更明确地考虑这些非空间因素，例如将先前的互动或合作伙伴关系强度作为社区信任的代理指标，以及将外展工作的操作指标和区域层面的社会脆弱性指数作为选址的额外优先标准或公平性权重。在农村和历史上被边缘化的社区中，这种做法尤为重要，因为这些社区对外部机构的不信任可能较高。因此，所提出的框架不应被视为替代社区参与的方式，而应将其视为对其的补充。数据驱动的站点推荐为社区合作伙伴提供了强有力的支持工具，他们可以通过受信任的当地组织共同设计服务，并通过跟踪相关指标来进行学习和扩展。

**4.2 结论**
总之，本研究提供了一个可重复、适用于政策的MHC站点选择框架，该框架增强了空间可及性和运营效率。通过用系统的、数据驱动的规划替代基于便利性的做法（这种规划结合了精细的地理空间分析与实际应用），该框架扩大了未投保人群和服务不足群体的覆盖范围，并为移动医疗服务提供了可扩展的基础。

**未引用的参考文献**
（此处未列出具体的未引用参考文献）

**贡献者**
ST和LR共同构思了这项研究。ST完成了所有的数据分析和可视化工作，统计分析由LR监督。ST、DW、BW和LR共同开发了研究方法。ST撰写了初稿。LR负责项目管理和资金协调。所有作者都参与了研究的审查和编辑工作，可以访问所有数据，批准了最终版本，并对所有方面负责，并同意提交出版。

**数据共享**
社区层面的数据是公开的，可以通过美国人口普查局的American Community Survey获取。由于患者隐私问题，Clemson Rural Health的HCV筛查项目的数据无法共享。

**伦理声明**
本研究已获得克莱姆森大学（Protocol #IRB2022-0150）和Prisma Health Institutional Review Board（IRB Pro 00106348）的批准。

**利益冲突声明**
作者声明没有已知的财务利益或个人关系可能影响本文报告的工作。

**利益声明**
ST和LR从美国国立卫生研究院的国家药物滥用研究所（R33DA059892）和国家医学图书馆（R01LM014193）获得了工资支持。ST、DW、BW和LR从疾病控制与预防中心的预测与疫情分析中心（NU38FT000011）获得了工资支持。