8. 结果怎么写'技术解读'：从指标到机制
8.1 预配（Pre=true）为什么几乎总是有效？
在仿真里你会看到：
PhW（药房等待）显著下降AvgTot、Over4h通常同步下降
机制解释：
- Pharmacy 作为上游瓶颈，会在串联系统中形成'波峰积压'
- 预配相当于降低该站点平均服务时长与方差（甚至直接近似为 0）
- 串联系统中，上游方差下降会沿链路传导，改善下游拥堵
技术写法：把它描述成'降低瓶颈站点的服务时间与方差，从而降低系统排队时延的尾部'。
8.2 错峰（Staggered）为什么更影响 P90 而不是均值？
机制解释：
- 输注椅是'长服务时长资源'，系统对方差高度敏感
- 当短/长混排时，服务时间方差上升，会造成峰值排队
- 错峰降低方差，让峰值更平滑
- 因此 P90/超时率改善更显著
8.3 ResusBay 为什么是'低均值、高风险'的典型？
这是本文档技术亮点（建议详细阐述）：
- Resus 利用率
ResU可能并不高（因为 Severe 概率低） - 但一旦 Resus 忙，
ResW上升 ResW上升会导致 Severe 患者在输注椅'占位等待转运'- 这会抬高
InfW，并把P90Tot与Over4h拉坏 - 结果就是：平均指标看起来没事，尾部指标雪崩
技术术语可以写：这是'稀缺资源导致的耦合拥堵（coupled congestion）'，属于系统性风险而非局部排队问题。
9. 让方案更'硬核'的三类实验
9.1 敏感性分析：Resus 床位容量 1 → 2
改动一行：
s.Resources[Resus] = &Resource{ Cap: 2 }
观察 ResW、InfW、P90Tot、Over4h 的变化。写作要点：
- 强调这是评估'加床位'的 ROI：收益体现在尾部风险
- 即便
ResU不高，也可能值得增加容量（风险对冲）
9.2 响应流程优化：prep 1530 → 515
把 Severe 分支里的：
prep := 15 + rand*15
改成更小，解释为：
- 更快的应急响应
- 更顺畅的院内转运
- 更清晰的 SOP 与物资到位
观察椅位额外占用是否下降（InfW、Over4h 是否改善）。
9.3 风险水平扫描：IrAETotalProb 3% / 6% / 10%
写成'临界点实验'：
