卫生保健区块链系统Token经济机制设计:基于模拟现实场景的开发研究

简介

精准医疗旨在利用基因组数据、电子健康记录和生活日志数据，通过为每个目标亚群体提供新疗法，以更高的分辨率定义疾病[1，2］．来自个人健康记录的电子健康记录和生活日志数据对于获取医院和日常生活中的表型信息至关重要，以便向医疗保健消费者提供精准医疗。这就是为什么在过去的几十年里，即使是高收入国家也在努力传播电子健康记录。例如，美国于2009年实施了《卫生信息技术促进经济和临床卫生法》，以便在全国范围内提供电子健康记录[3.］．截至2017年，美国96%的综合医院和外科医院、87%的儿童医院和59%的急症长期护理医院采用了经过认证的电子健康记录[4，5］．韩国也从2000年初开始尝试传播电子健康记录。健康保险审查和评估服务处宣布，截至2017年，韩国93.6%的医院和91.6%的私人诊所使用电子健康记录[6］．尽管在许多国家，电子健康记录的采用率已经显著提高，但他们仍在努力寻找适当传播个人健康记录的解决方案。与卫生保健组织中电子健康记录的实施和使用相比，个人健康记录的实施，通过患者参与收集生活日志数据，由于与安全、隐私、互操作性和数据质量相关的挑战，仍然滞后[7-9］．个人健康记录的实施还面临着其他问题，包括缺乏可审计性、法律风险、医疗保健政策和数据准确性。

因此，已经实施了保健区块链，以解决这些各种问题。区块链被称为分布式账本技术，它将给定的信息记录为称为块，如果记录的数据是有效的，则这些块依次用共识协议连接起来。数据存储在一个基于点对点系统的分布式存储环境中，不允许任何人任意修改数据，因为任何人都可以确定数据何时发生更改[10］．因此，将区块链技术应用于个人健康记录可加强存储在[11］．此外，预计自动化功能，如智能合约，将通过动态共识系统减少管理患者参与的成本和时间[12，13］．这种适当设计的区块链代币经济可以帮助制定策略，以发现参与临床数据共享的好处，并确保其在多个利益攸关方之间的公平分配[14］．此外，区块链可以提高转移的医疗保健记录的可审计性，具有安全的隐私，帮助通过分布式身份验证健康信息交换网络的参与者，并通过根据积极参与和遵守系统提供激励，提高患者对平台的参与[15］．

针对区块链的两个主要优势——即可审核性和可识别性——进行了许多概念证明研究[11，16-18]，但很少有研究结合现实案例探讨区块链的激励机制，在现实案例中，激励对招聘和关注至关重要[19］．

为了检验激励的有效性，一项研究[20.]设计了一种象征性的经济，鼓励人们坚持日常生活活动——洗澡、体育锻炼和口腔卫生——以减少儿童造血干细胞移植患者血液感染、口腔并发症和去消毒的风险。实施代币经济后，日常生活活动的坚持率从0.51提高到2.5 [20.］．在其他研究中[21-23)时，首选的激励方法是免费停车、适度的经济补偿、食品券、吉他课、交通工具和向慈善机构捐款。尽管100英镑(约137.51美元)作为激励在临床试验中招募老年患者时是有效的[24]，以2美元作为奖励并不有效[25］．这说明金钱补偿的数额很重要。激励也被证明对患者坚持戒烟、饮食和数字治疗方案是有效的[26-29］．一些问题已经出现了——如何给予多次奖励?我们应该对参与者的努力给予多少补偿?我们可以在区块链平台上收集患者信息多长时间?是否有可能，收集时间越短，激励就越大?在数字疗法中，行为矫正的一个主要策略是制定一个应急计划来解决依从性差的问题，而金钱奖励似乎是积极参与的最有效方式[30.］．

已经进行了数学研究，以模拟区块链的激励。对于去中心化来说，设计使事务难以被篡改的协议是必不可少的，并且已经研究了一种数学方法来设计实现安全信息交换的区块链协议[31，32］．此外，在区块链上运用博弈论对玩家挖掘策略进行分析[32，33］．经典机制设计理论已经在一些应用程序上得到验证，如Auction [34］．但目前还没有将区块链系统中的app与机制设计联系起来的研究，这被认为是区块链代表性的令牌设计理论[35-38］．

为什么卫生保健区块链加密经济学需要一个新的理论基础?密码经济学的目的是创建互联网服务，但为什么我们需要新的理论和方法?简而言之，这是因为去中心化网络的设计完全不同于传统的业务/服务规划。现有的商业计划被赋予一定的规则(市场条件)，目的是确保公司做出最佳的选择以实现利润最大化;然而，去中心化网络的设计目标却恰恰相反。假设每个实体都有策略地、自私地行动，去中心化网络的设计就会制定规则，以达到预期的结果。

尽管迫切需要对医疗保健区块链的加密经济学进行进一步研究，但一直缺乏使用医疗保健区块链自动化激励方案来诱导患者参与的代币经济设计研究。因此，我们旨在通过基于2个具有代表性的具有机制设计的虚拟场景的实验，探索可嵌入区块链智能合约的激励方案设计时应考虑的参数。

方法

方法论的背景

基于区块链的网络没有中心主体。因此，我们需要一个使用代币(作为媒介)和市场原则的系统来帮助个人发展网络，即使他们的行为是为了追求自己的利益。这叫做令牌模型，它在去中心化网络中扮演着看不见的手的角色[39］．

为了设计代币经济，我们考虑了两个著名的经济学理论:博弈论和机制设计。在博弈论中，现有的商业计划被赋予了规则(市场条件)，目的是确保公司做出最佳的选择来最大化他们的利润。该理论考察了给定博弈中的最佳策略。它解释了在几个理性的决策者相互竞争的情况下如何得出结论。它被称为游戏因为这让人想起一场真正的游戏，竞争对手使用策略取胜。40］．博弈论与机制设计之间的关系如图1．招聘组织者能够设定游戏规则，以便在我们的场景中实现成本和时间方面的预期目标(图1［41])。

‎ 把这个图

然而，去中心化网络的设计恰恰相反。机制设计采用工程方法，通过将经济机制和激励机制应用到设计策略中，设计师在战略环境中理性地朝着预期目标行动。也被称为游戏理论相反因为它开始于游戏的末尾并向后移动[34］．

利用机制设计原理，可以减少试错带来的成本，为解决现实问题提供一个理论模型平台。结合区块链，各种类型的研究都采用了机制设计。此次拍卖是一个具有随机性和信息披露的区块链环境下机制设计的代表性例子[36］．基于这种可能性，之前的一项研究[35]提供了使用机制设计和博弈论分析区块链协议的框架。这些研究[35，36]建议，机制设计可以应用于区块链系统，特别是医疗保健区块链经济，从而发展出基本的代币经济。我们希望为个人健康记录中的患者参与和数据提供的代币经济建立基本真理模型。首先，我们假设了一个具有基本变量的基本场景——为一个旨在减肥的活力项目招募健康参与者。“活力计划”是一项基于技术的健康计划，大多数人寿保险政策都包含其中，以支持和奖励健康习惯[42，43］．其次，我们用另一个假设场景验证模型的稳健性——招募抗肿瘤药物临床试验的参与者。

在区块链平台上进行角色互换

当在现实世界中招募活力项目的参与者时，人寿保险公司会向参与项目的人提供奖励。使用智能合约，可以很容易地将此机制应用到区块链。此外，区块链还保护个人健康信息，能够通过应用程序进行全民招聘;因此，可以通过保健区块链有效和安全地招募参与者。

与此同时，公司向区块链参与者提供的补偿是加密货币。因此，有必要讨论如何计算这种加密货币的价值，可以通过多种方式执行。比特币的价值是由自由市场决定的。假设在区块链上招募了一个活力项目参与者;人寿保险公司必须有一定数量的加密货币。收到加密货币的参与者必须能够为自己的利益进行交换。在传统区块链中，运营商通过维护区块链系统获得加密货币。然而，除非人寿保险公司参与区块链操作，否则它必须从另一方购买加密货币，以确保一定数量的加密货币。此外，假设这种加密货币的价值发生变化，可能会有人担心区块链系统中的总金额将变为负数。为了解决这些问题，我们定义了一个概念一个汇率假设一定数量的加密货币可以用一定数量的法定货币购买或交换。该方法的优点是整个区块链系统中加密货币的总量，加密货币的法币值不低于零，有助于医疗区块链稳定运行。

区块链系统中存在多个成员，具有货币交换。首先，区块链运营方负责区块链的运营，充当货币交易所的角色。在本研究中，假设区块链运营方不影响代币经济，因为运营方只生成加密货币，加密货币的价值通过交易所固定。其次，有一个拥有患者健康信息的数据提供者。存储个人健康信息的成员包括医院或基因公司等实体。当他们存储的信息进行交易时，他们从请求信息的成员那里接收加密货币。接收加密货币的原因是存储信息的成本。第三方为医疗信息平台的用户。用户可以是请求其基因组信息的患者、上传其生活日志数据的健康人，或者是希望招募参与者的人寿保险公司。在本研究中，我们假设一家人寿保险公司从机制设计的角度准备了一个活力计划，通过招募参与者，并根据激励的多少来确定招募周期。

场景

模型开发的场景

图2展示了基本场景的简要过程。保险公司通过手机app上传了以下关于生命日志数据收集的项目信息:(1)开展生命力项目的机构;(二)程序运行时间;(3)对参与项目的奖励。根据这些信息，参与者将决定是否参加该项目。如果他们决定参与，他们通过应用程序发送请求。活力项目组织者将跟踪参与状态，直到获得一定数量的参与者。这里得到的参加者人数与的人数是不同的N组织者所希望的，因为组织者需要根据他们的人口统计信息来选择参与者，这样样本就尽可能的无偏见。如果有一定社会经济地位的参与者加入更多，干预的结果和对项目效果的分析可能会有偏差。数量N设置为大于项目所需的参与者数量，因为在根据社会经济地位进行调整后，一些注册者可能会被取消。活力项目组织者将通过应用程序筛选代币后向同意的参与者支付报酬。

‎ 把这个图

模型验证的场景

我们通过修改基本场景(图3)．在验证场景中，研究组织搜索在抗癌药物临床试验中区块链网络上有特定基因突变的参与者。为方便起见，满足研究者要求的所有信息的参与者被描述为a组。潜在的不满足研究者要求的临床信息的参与者被描述为B组。研究者同时向a组和B组发送同意请求。

‎ 把这个图

参与者将根据治疗他们癌症的医生的意见决定是否参加研究。在我们的研究中，我们假设参与者被要求发送的临床信息数量越少，同意的可能性就越高。这是基于一个普遍的假设，即参与者必须提供的信息越多，他们就越谨慎，因为通常人们会关心隐私和安全。

例如，如果A组参与者X同意同意，存储参与者X数据的机构将数据共享给研究公司，该机构获得加密货币补偿。在验证场景中，公司将令牌传输到拥有候选患者临床信息的数据提供者，以换取存储数据的补偿，这与基本场景的不同之处在于，数据提供者被添加到令牌流中

场景的数学建模

建立了两种场景的数学模型;建立了一种将组织者的成本降到最低的方法。主要成员是参与者和组织者。在这两种情况下，奖励是影响参与的主要参数——我们假设奖励越高，同意的可能性越大。就组织者而言，需要假设可以从参与者和组织者的成本政策获得哪些信息。将成本分为两类:奖励相关参数和时间成本相关参数。

人寿保险公司的成本函数

我们假设组织者的成本功能分为两个部分:奖励和成本。为参与者提供奖励;因此，奖励部分乘以参与者总数。时间也包含在时间成本中，因为奖励和时间的单位是不同的，所以有必要通过赋予一部分权重来平衡这两个部分。在我们的模型中，我们给时间成本部分赋予一个权重(时间权重)。时间权重在不同的招聘项目中可能有所不同。较高的时间权重意味着组织者更重视招募时间，希望快速招募参与者。我们将成本函数表示为成本＝奖励×N+t×α。

在最小化成本时，如果时间权重α较小，则成本在很大程度上依赖于报酬。时间单位t,在那里t为自然数，为方便假定为日。

另外，要明确招聘时间的计算方法。组织者向满足要求的参与者发送同意请求，并假设每个参与者都有一个同意的概率。在此假设下，招聘所需时间计算如下。在第1天，组织者向参与者池中的人发送同意请求。一些参与者基于他们的概率同意，而另一些人不同意。如果同意的人数未达到要求的招募人数，在第2天，组织者将再次向不同意的人发送同意请求。重复这个过程来计算招募时间。回想一下，同意参与研究的概率取决于奖励，奖励越高，同意的概率越大。增加同意的可能性意味着招募参与者将更容易，时间也更长t对于招聘完成率将会降低。

基础场景建模

我们假设参与者可以访问有关项目持续多长时间和保险公司可靠性的信息。他们也考虑到加入该计划可能带来的不便。

参与者的福利分为两部分:(1)货币价值和(2)劳动。为了得到公正的结果，应该考虑参与者的社会经济地位。地位越低，对薪酬部分的影响就越显著，这就导致了有偏见的招聘;因此，我们引入一个凹函数来表示货币福利。被试的社会经济地位、对记录任务的厌烦程度、生命保险公司的信赖度等信息都没有公开给调查公司。让社会经济地位的我th参与者是SP_我，让烦恼的程度是b_我，并让公司的可靠性R_我．人寿保险公司可以设定计划期限T以及对项目的补偿奖励，这些奖励是通过应用程序传达给参与者的。

参与者的福利是用平方根来定义的(这是一个凹函数)，这意味着更高SP_我，参与者的总福利增量增长越低。福利函数我th参与者

前一项是根据社会经济地位赋予福利的权重，后一项是通过乘以的基本二次函数得到的连续上传日志的疲劳T按重量。因此，对于参与者来说，参与的充分条件是福利函数为正。

社会经济地位可能是有偏见的，因为它为参与提供了补偿。因此，在最初的招聘中，选择一定数量的期望人口，以确保社会经济地位尽可能均衡匹配。在与劳动相关的福利中，随着时间的推移，疲劳的积累速度更快，而且每个人的烦恼程度不同。因此，与人工相关的成本与烦恼程度和持续时间的平方成正比。

除了考虑经济利益之外，还引入了参与项目的可能性(以考虑现实世界参与者的心理)。当奖励大、组织者的可靠性高、社会经济地位低时，概率会大。

假设福利函数我参与者为正的概率我参与者同意程度的计算基于以下假设:(1)奖励越高，对研究公司的信心越高;(2)参与者的社会经济水平越低，参与概率越高。因此，计算概率为

规范化器是允许奖励增长的缓冲权重。如果方程2的右项大于1对于大多数我，模拟变得毫无意义;因此，通过将规范化器乘以小于1，将正确的项更改为稍微更有意义的模拟。在基本情况下，SP_我= 5 - 10,b_我= 0.05 - -0.1,R_我-0.7 = 0.5,标准化者= 200。

对验证场景建模

我们修改了前面的假设，并在验证场景中添加了一个中间数据提供者，以确保在更改变量后模型是健壮的。

对于数据提供者来说，没有必要进行假设，因为没有单独的策略可用;然而，根据数据提供者所持有的信息量的比例，盈利的机会更高。研究公司可以定义它的成本函数，它设置每个参与者的报酬和时间权重。参与者必须决定是否同意他们收到的同意请求。理论上，当参与者的经济收益大于0时，他们就会决定同意。然而，在现实生活中，其他因素也在决定患者是否能够参加临床试验。因此，我们假设协议概率是基于通过区块链平台提供的专家建议。通常情况下，患者会从肿瘤医生那里获得专家意见。如果k治疗方案的数量或范围是否越小k表示同意的概率越高。利用sigmoid函数，同意的概率在0到1之间。

研究参与者必须披露他们的基因是否被检测过，基因型(如果他们被检测过)，以及哪个数据提供商存储了他们的数据。此外，一些关于医疗区块链的信息是向公司开放的:(1)是否检测过基因(2)基因型。需要一些属性来描述这一点。首先,DP_我是确定基因数据的定义我参与者由数据提供者存储。一个DP_我0表示没有基因组数据，值大于n表示信息存储在n数据提供商。参与者的基因型定义为类型_我．如果类型_我是0，这意味着基因型不知道，因为它没有检查，和DP_我值为0。如果类型_我是n当电介质的值大于0时，电介质表示它是nth类型。

在基本情景下，参与者同意的概率为专家意见。奖励越大，参与者可使用的协议数量就越少，专家的建议就越多。在基本情况下，概率可以定义为一个简单的乘积，但在验证情况下，使用sigmoid函数，

sigmoid函数将实数转换为0到1之间的值。因此，这个值的优点是可以直接用作概率。当x是0，概率应该接近于0。把s型函数往右平移，中间应该介绍。在验证场景中，SP_我= 0 - 3,k= 1 - 5,DP_我= 1 - 2,中间= 150。

优化配方

我们选择了凸优化模型。对于每个场景，我们假设当临床试验得到奖励时，可以找到预期的招募时间。对于每个奖励和完成招聘配对的时间，我们获得应用配对的成本。奖励和时间t在最低的代价点将是优化值。

为了找到给定奖励金额的预期招募时间，我们确定每个参与者同意参加临床试验的概率。然后使用伯努利实现，我们得到同意直到的参与者的预期数量N天。假设概率我参与者同意的是问_我．在这种情况下，一个人最终是否会最大限度地同意N与伯努利实现相同。第一天达成一致的概率是问_我，第一天一致，第二天一致的概率为(1 -问_我）问_我，第三天同意的概率为(1 -)问_我）²问_我．方法实现此操作时j当天，预计到会人数一致同意，直到j天数可以通过

因此，如果所有人都有这些期望我，预期参与人数直到n天。当奖励和n，可以得到参与者的期望人数，如果n得到，这个值n是预计完成的招聘。

把期望值加在一起，我们就确定了参与者的期望人数N天。当我们找到最小值的时候N当期望参与人数超过公司目标参与人数时，我们就获得了奖励和最小值N对。我们将配对代入成本函数，发现(奖励，N，成本)对成本是最小的。

结果

优化

奖励会影响每个参与者同意的概率，而同意的概率又会影响预期的招募周期t．需要注意的是，预期的招聘周期是奖励的函数。因此，可以获得奖励和期望的招聘周期对。我们可以通过考虑应用到成本函数的这些对的成本值来组成一个元组。的关系t与报酬和成本的关系可以得到报酬。图4显示了当公司在基本场景中的时间权重为1500时的关系，并且图5显示验证场景中的关系，其中公司的时间权重为100。因为基本场景假设公司不能访问参与者的一些信息，所以在计算预期招聘时间时，我们应该使用分布的期望值。因此，即使在初始化过程中改变了参与者的信息，图形仍然统一为一个。另一方面，验证场景允许公司访问所有参与者的信息，这意味着我们在计算预期招聘时间时应该考虑每个参与者的信息。因此，随着参与者信息的变化，图也随之变化。图5C和图5D显示10个初始化。

在图4而且5，左边的图表是奖励与预期招聘周期的关系，右边的图表是奖励与成本的关系。奖励越小，预期的招聘周期就越长，反之亦然。将薪酬与期望招聘周期放在成本函数中的右图形成凸曲线。形状的左侧高是因为时间成本增加了，而右侧大是因为奖励成本影响了整个成本。因此，随着时间的急剧减少，左侧也呈现出类似的外观。右边是奖励的线性图，因为时间成本变得非常小。这两者之间权衡的中间部分将是成本最小化的点，奖励值和预期的招聘周期将是奖励*而且t *。

‎ 把这个图

‎ 把这个图

与模拟

将仿真结果与优化结果进行了比较。自奖励*是自变量，还是因变量比较合适t *．为了得到稳健的结果，我们通过随机改变参与者的变量进行重复实验。对于每个初始化，我们都进行了100次模拟，得到实验结果。然后计算100个实验结果与招募时间之间的误差，t *．最后，我们得到了这些值的平均值和标准差。在基本场景下，模拟值集中在优化值处(图6，表1)．

图7而且表2对于验证场景，显示优化结果之间的差异最多可达2天。

‎ 把这个图

‎ 把这个图

敏感性分析

公司可以调整参加人数N时间权值α;因此，我们分析了灵敏度t *作为N和α的变化。1%的增量N,在基本场景和验证场景中，招聘时间分别增加1.54%和2.22%。当时间权重增加1%时，在基础场景和验证场景下，招募时间分别减少1.54%和1.67%，说明该模型符合我们的一般知识，为参与者的招募设计提供了指导。

讨论

主要研究结果

在本文中，我们提出了两种医疗保健区块链代币经济场景和机制设计。我们在每个场景中设置了参与者人数和招聘时间这两个基本组成部分，构建了数学模型来解释这两个场景，模拟了招聘时间和预期招聘人数的变化。通过机制设计，我们证明了招聘者能够通过调整激励金额来设定期望和期望的参与人数和招聘时间。据我们所知，这项研究是第一个将机制设计应用于医疗保健区块链的现实问题。

在经典博弈论中，游戏设计师无法定量地确定游戏的预期结果。他们可以期望理性的参与者为了最好的结果而相互竞争，假设参与者是理性的，因此，他们的行为是为了最大化他们的利润;然而，将此假设直接应用于带有代币经济的医疗保健区块链是不现实的，因为对于医疗保健区块链的资助方来说，了解预期时间、成本和招募的参与者数量是至关重要的。

在我们采用机制设计的模型中，招聘人员可以通过调整参与人数、招聘时间和奖励的关系来设定项目的量化结果。除了结果的可预测性，区块链系统可以为参与者提供更安全的环境，系统的不可变性，尽管该系统比传统的招募参与者的方式更开放。

传统上，对卫生保健参与者的直接激励是否可接受的问题一直存在争议，因为直接激励可能会对医学研究和治疗结果产生偏见[44］．从医学的角度来看，直接激励健康的人不存在什么道德问题[45]，例如在基本场景中建模的那些。在验证场景中，对区块链中参与者的直接激励可能会引起关注。然而，我们假设了一种允许直接激励未来参与临床试验的情况，因为患者被随机选择为区块链系统的参与者，我们假设可以允许直接激励增加临床试验的招募和关注率。

从数学的角度来看，每个参与者的信息都是不同的，这取决于招聘公司是否有权获得这些信息。在招募健康个体时，我们假设公司无法获得每个参与者的信息，因为他们通常不需要严格的纳入标准，这意味着他们可以在结束招聘后排除一些申请人。在收集生活日志数据时，我们无法获得每个参与者在很长一段时间内的烦恼程度，只能看到烦恼程度的分布。在本研究中，假设该分布为均匀分布。在这种情况下，临床试验公司使用分布的期望值(即均匀分布的平均值)。同时，在验证场景中，每个参与者需要向研究公司提供基因数据。从基因数据中，该公司可以推断每个参与者的一致性概率，并可以调整模型以适应现实世界的数据。

招募参与者是进行临床研究或试验最困难的部分之一。然而，通过本研究提出的数学建模和仿真技术，代币经济将使公司能够获得重要的洞察力，通过设置适当的奖励来招聘参与者，以确定他们是否能够在预期的时间内招聘参与者。此外，由于难以招募到适合临床试验的参与者，企业可能会向医院请求患者信息。然而，医院认为没有必要和理由提供其持有的数据，或者即使医院愿意提供数据，使用患者数据的同意过程也很复杂，许多患者担心隐私和安全[46］．因此，可以应用区块链代币经济，适当补偿参与区块链数据共享平台的实体，从而减少公司、医院和参与者(患者)在数据利用方面的需求差距，并具有较高的安全性和保密性，通过以用户为中心的参与，有效招募参与者。这项研究是有意义的，因为我们能够建立合理的模型，可以作为一个起点，设计卫生保健区块链为患者招募。

局限性和未来研究

我们的假设没有反映现实世界中招募参与者的复杂情况。因此，如果我们的模型的结果与招聘公司的预期不一致，招聘就不会成功。具有基本强制要求的模型，如招募时间、激励金额和参与者数量，并且没有复杂的假设，对于其他研究人员可以作为他们自己建模的起点——他们可以使用我们的框架作为基本场景，在医疗保健区块链中设计他们自己复杂的令牌设计。另一个限制是无法与实际数据进行比较和分析，从而提供一个更健壮的框架。

结论

在医疗保健领域采用区块链技术的商业模式很少。区块链的代币经济可以成为一个强大的驱动力，它通过一个不可更改的可跟踪的代币交易系统激励医疗保健消费者。这项研究是在现实医疗环境中设计代币经济的起点;我们建模了2种可能的场景，优化了公司的成本，并将结果与仿真数据进行了比较。本研究可作为设计激励系统的基础，用于公司利用基于区块链的患者招聘平台在一定时间内招聘临床试验参与者或医疗保健项目参与者。