1 风险预判系统的建设背景
面对外部政策环境的变化、医学科技的进步以及医院发展规划的推进，医院后勤运行保障由粗放型逐步向标准化、精益化、规范化、 科学化、专业化方向转型，逐步涵盖了机电设备管理、动力运行管理、物业服务管理、医疗设备管 理、物资供应保障、固定资产管理、 安全管理、基本建设等工作内容，成为支撑与保障医院正常运行的重要基础，其管理的复杂程度、专业化程度不断增加，同时医院后勤保障需要面对的风险也日益增加。
医院后勤保障可能应对的风险分为来自外部的突发公共事件和来自内部的突发安全风险。突发公共事件包括事故灾害、公共卫生事件等；医院内部突发风险是指直接给医院带来损害、威胁到医患安全的事件，包括设备设施故障、能源断供、消防事件、治安事件等。医院对突发风险事件的提前预警直接关系到医疗救治与资源调度的及时性和有效性，关乎医患的生命与安全。 传统医院后勤保障管理模式下，风险防范以制度建设、责任分解、现场巡查、整改治理、应急演练等内容作为工作重心，但缺乏有效的风险源头预防与科学研判评估机制[5]。
随着物联网技术、大数据分析技术、人工智能技术、5G的广泛应用，医院已初步建成全过程监管、全方位监测、全天候值守的“智慧后勤”系统，实现了设备故障告警、气候环境警示、消防治安告警、能源动力告警等，海量的外部环境数据与内部运行数据被物联网传感器实时采集。然而，初级的告警机制无法让传统管理模式的被动应对转变为主动预防、主动作为，被采集的海量数据也缺乏有效的方法来实现科学预判。
因此，我院在智慧后勤系统建设的基础上，在大数据环境下建立了一套针对灾害脆弱性[3]与风险防范的预判预警机制，通过大数据、物联网、知识库的支撑，初步完成医院风险预判系统[2]的开发。
2 医院风险预判系统的建设架构
风险预判系统共有2种模式： 安全模式和告警模式。通过风险预判系统的模块功能设计，并借助医院智慧后勤系统的支撑，实现医院风险预判系统的构建，帮助医院提前预防可能出现的风险，并对已经发生的应急事件进行主动干预。
2.1 安全模式
安全模式主要由院内设备设施监测、风险指标、安全防范指标3个模块组成，见图1。
2.1.1 设备设施实时监测
在我院后勤日常管理过程中，设备设施监测模块中的5082个传感器实时采集医院重要设施设备的运行数据，对空调通风、变配电、电梯、医用气体、污水处理、给排水等系统的运行状态进行全天候无人值守。当某种风险概率超过临界阈值，系统将自动识别、自行派发任务至维保人员来应对可能出现的各种故障。
2.1.2 安全风险监测
安全风险监测由季节、气候、灾害因素，医院重大事件，意外突发事件3个部分组成。首先是季节、季候、灾害因 素，系统通过中央气象部门发布的预警信号作为标准进行预警。其次是医院重大事件，医院重大事件根据实际情况包括流线变更，修缮工 程，大型设备进场，计划性停水、停电、停气等。其中流线变更的主要风险点是变更项目对人员的影响，分别为“物业、环设、手术”，从经验上可以判断，如流线变更使手术受到影响，其风险程度最高。同理，修缮工程以及大型设备进场的风险点主要是其施工方式及进场方式的危险程度，计划性停水、停电、停气则是通过估算其影响时间以及影响范围来判断风险程度。后勤管理决策人员可根据系统界面显示的气象预警以及各类院内 的重大事件，对可能存在的风险点提前准备应急预案。
2.1.3 安全防范监测
安全防范体系是通过我院在安全生产工作中实际落实情况，设计建立的一套计量标准，通过三级管理职责的巡检和自 查情况、安全隐患整改情况、应急事件处置情况、安全培训情况、安全设备损坏情况进行加分，结合上述天气因素和院内风险项目进行扣分，以周为单位，基础分为100分，自动算出相应分值，用于风险预判系统中的安全防范监测模块。 后勤管理决策人员根据系统界面显示的分值来了解当前院内安全生产的工作情况，见图2。 安全防范指标由日报率、巡检覆盖率、培训覆盖率、设施完好率、查见事件危险率、整改及时率、本周同类事件发生率7个部分组成。日报率是根据我院安全生产日报所设立的指标项目，安全生产日报指的是科室安全联络员每日下班前将1天的安全生产工作上报至相关系统。日报率=每日报科室上报数量/总日报点位数×100%，从数据上可以分析日安全日报上报情况，日报率越高，加分比重越大 （分值范围为1～10分）。 巡检覆盖率是根据我院相关部门的每周巡检范围作为计量标准， 以院区楼层数量作为总数，算出每周巡检楼层的比例，设定其加分比重（分值范围1~10分）。 设备完好率的设定方式与巡检覆盖率相同，以院区设备数量作为总数，根据每周巡检时发现的设备设施坏程度算出每周设备完好率，通过其完好率设定其加分比重（分值范围为1～10分）。 培训覆盖率和查见事件危险率是将我院安全保障举措进行量化处理。培训覆盖率有2种，一种是人员类型覆盖，另一种是培训范围覆盖，人员类型覆盖指的是接受培训的人员类型占全院人员类型的比例。人员类型可分为医生、护士、保洁、保安、护工、行政人员；培训范围覆盖是指受到培训的人员所在的楼层楼宇占全院的比例。同理，查见事件危险率则是包括了相关部门每周巡检中所发生的安全隐 患数量，根据隐患的不同进行分类，大致可分为：消防设施损坏、 消防设施阻挡、消防通道阻塞、 关键部位门未上锁、违规动用明火、私拉电线、不安全用电、违规使用高功率电器、易燃易爆物品堆放。根据安全隐患的严重程度进行排名，设置权重系数，与查见事件数量相结合得出加分分值（分值上线为50分）。 整改及时率与本周同类事件发 生率是以上周巡查、检查事件数量为基础，根据本周整改情况以及同类事件发生数量算出其整改率及重复率，设定加分比重（分值范围为1~10分）。
2.2 告警模式
应急事件一旦发生， 系统会自动切换至告警模式，“医院安全风险预判系统”将根据事件的类型、分级、性质、危害程度、 涉及范围、医院承载能力等信息， 同时调取现有人员、物资、设备的配置情况，不同的变量数据决定了不同的应急管理路径，并在第一时间向现场应急指挥者给予实时、可操作、规范的管理路径，确保应急处置的有效和及时。在实际执行中基于动态情况和物联网感知系统的反馈，医院后勤管理决策人员通过系统的辅助分析，向各类响应人员及时发布精确的调度指令，历史参考数据则为医院后勤管理人员提供当前风险类型相关的、历史上出现过的具体异常情况，实现了更系统性的应急指挥管控。在完成所有的应急预处置后，失效模式将持续监测当前事件之后可能出现的风险， 并可点开查看完整的可能突发状况的清单，根据不同条件识别可能出现的风险在已知现场无法应对的情 况下，准备应急处置，见图3。
2.3 医院风险规则知识库
智慧后勤关键核心的设计在于精准化数据驱动理念，因此，系统在功能模块建设之外，有针对性地建立数据驱动知识库。数据分析的结果、管理决策的辅助，都是建立在数据驱动知识库的基础之上。围绕医院大后勤体系，在物联网感知设备基础上， 同时汇聚整合了第三方数据及第三方系统数据，获得环境安全、公共安全、设备安全、医疗安全等多个维度的信息，借助大数据、人工智能等技术，驱动医院安全风险预警的智能化。同时，面向医院后勤风险预警管理领域，解析了963个管理及技术类规范标准，设计了281类设备相关的智能驱动规则和300多条外部环境相关的预警规则，构建了风险规则知识库，见图4。对医院后勤安全风险进行自动化评估、 预警和干预，同时通过数据量化形 成指标数据，协助业务人员进行决策和行为指导，使医院突发事件管理从被动应对转型为主动预判。
3 医院风险预判系统的实际应用
3.1 智能预判
风险预判系统的应用目标之一是智能预判。我院通过脆弱性分析、失效模式与影响分析以及标准规范解析等方法，收纳了各类灾害天气、设备故障、宕机、操作不当等可能造成的风险，消防类风险，工程类风险，人员行为风险，食品安全风险以及其他未能达到设计初衷的潜在风险，包括设备、流程、流线、操作规程等42类预警规则，通过动态数据预判模型建立多种风险预警条件，并编制了规范指南、管理要求和应急技术标准，做到针对各类应急事件的预见 性准备。 以我院应急处置台风暴雨天气为例，首先，告警未来48h内将有台风暴雨天气，系统自动巡检集水井、污水处理系统、排水通道等， 了解相关设备状态；相关人员及时准备防汛物资、疏通排水通道等现场措施。系统界面将显示历史台风暴雨天气发生时的漏水点、溢水点、维修记录、设备故障情况、降雨影响等，管理决策人员调度相应 人员对之前发生过的漏水、溢水点进行重点巡视。工作人员对任务进度进行实时反馈，管理决策人员实时掌握人员物资到位情况、巡检 进度与结果、天台地沟疏通状态。 台风暴雨当天，系统的预判失效模 式[3]根据不同条件识别可能出现的风险，在现场措施无法应对的情况下，准备应急处置。例如，根据当前的降雨量、持续时间以及持续降雨量时间，通过风险预判知识库的分析结果，预判集水井、地沟等设备设施情况，建议决策管理人员调度应急队伍待命进行维修、排水、 保洁等任务，及时处置突发情况。
3.2 主动干预
风险预判系统的应用目标之二是主动干预。我院在实际运用中以风险预判系统与智能化平台为基础建立了后勤智能指挥中心，并配套建立了可为决策人员提供以数据为驱动的精准决策路径场景的数字沙盘系统。不同应急突发事件场景中可能需要调度的人员、 物资不同，系统分析某类事件中影响调度、决策的因素，以数据指标为变量设计应急路径，从而对现场应急处置行为给予精准指导。 以我院突发公共创伤类事件为例，“风险预判系统”将根据事件的类型、分级、性质、危害程度、涉及范围、医院承载能力、 对医院正常业务的干扰程度等信息与数据，同时调取现有人员、 物资、设备资源的配置数据，不同的变量数据决定了不同的应急管理路径，并在第一时间向医院现场应急指挥者提供精准的应急方案。后勤管理决策人员可通过系统的指导，向医护人员、后勤保障人员发布精确的调度指令。在应急过程中，电梯、医用气体、推车推床、运送人员、安保人员、生命支持类及急救类医疗设备、应急物资与耗材等资源全部通过智慧后勤的物联网技术进行联动管理。
3.3 自主学习
风险预判系统的应用目标之三是自主学习。通过每次的演习或者真实应急事件的应对处置，不断抽取现场反馈的数据和应急过程中的监测动态数据。例如，人员配置情况、设备到位情况、电梯运行情况、通道畅通情况等，通过人工智能学习中的深度学习（deep learning）技术[1]，将我院应对风险的每一次指派、调度、决策 都作为人工智能学习的样本，利用熵值法、标准差、DEA数据包络分析、优劣解距离法、秩和比综合评价法等算法使机器能从样本、数据 和经验中学习规律，从而对新的样本做出识别或对未来做出预测，同时，考虑到应急处置涉及大量文本数据，还建立了支持向量机计算模型进行规律运算。未来，当数据量积累到足够多的时候，即使决策条件不完全，依旧可以得出多个决策分支，而用更多的数据去反馈、修正这些决策分支，最终得到一个最优的结果用于管理人员的辅助决策。
4 医院风险预判系统的应用效果
我院在经历“1 2· 3 1”外滩踩踏事件以后，开始研究风险预判与应急管理体系，智慧后勤的建设为该体系提供了全面升级的机遇，通过物联网技术实时监测设备、动力、服务的运行状态，对近期可能发生的突发应急事件实现风险预警与预判；通过实时变量数据与标准 化预案形成的决策树，在我院突发应急事件处置过程中给予精准的管理指导。目前我院风险识别率提升到了80%以上，设备设施同一部位3个月内重返维修率小于3%，实现了7类后勤保障资源可实时调度。 系统的提前预判使我院的工作方式从被动转变为主动，提前预知了风险，极大程度上降低了突发事件对 我院造成的损害，产生的社会效益 与经济效益不可估量。在应急处置主动干预上，风险预判系统实现了更系统化地指挥，事件处置及时率达到90%以上，大大提升了我院突发应急事件管理体系的升级。
