تحلیل انجمنی ناکارآمدی ها و سطوح فعالیت ایستگاه در واکنش اضطراری

خدمات فوریت های پزشکی (EMS) در سراسر جهان با وظیفه چالش برانگیز تخصیص منابع برای پاسخگویی موثر به فوریت های پزشکی در یک منطقه جغرافیایی روبرو هستند. در حالی که مطالعات متعددی برای بهبود جنبه‌های مختلف EMS، مانند برنامه‌ریزی اعزام آمبولانس و بهینه‌سازی مکان‌یابی ایستگاه، انجام شده است، آثار کمی بر ارزیابی داده‌های پاسخ اضطراری غنی موجود در دنیای واقعی برای شناسایی سیستماتیک مناطق بهبود متمرکز شده‌اند. در این مقاله، ما DAPI (تحلیل داده‌محور ناکارآمدی‌های پاسخ بالقوه)، یک ابزار کلی برای تجزیه و تحلیل ناکارآمدی‌ها در مجموعه داده‌های پاسخ اضطراری را پیشنهاد می‌کنیم. DAPIبه طور موثر گلوگاه های پاسخ بالقوه را بر اساس توزیع فضایی پاسخ های آمبولانس شناسایی می کند و آنها را با توجه به سطوح فعالیت استنباط شده ایستگاه های اعزام مربوطه برای کمک به تجزیه و تحلیل علیت ارزیابی می کند. DAPI بر روی یک مجموعه داده شامل تمام پاسخ‌های فوریت‌های پزشکی در سرزمین اصلی پرتغال اعمال می‌شود، که در آن ما شواهد آماری را پیدا می‌کنیم مبنی بر اینکه ناکارآمدی‌ها با سطوح بالای فعالیت ایستگاه‌های نزدیک‌تر به یک مکان اضطراری مرتبط است. ما این یافته‌ها را همراه با الگوهای مرتبط و خوشه‌های جغرافیایی ارائه می‌کنیم که به عنوان یک ابزار پشتیبانی تصمیم‌گیری ارزشمند برای کمک به EMS در بهبود عملکردشان عمل می‌کند.

کلید واژه ها:

خدمات فوریت های پزشکی ؛ کشف دانش ؛ تخصیص پاسخ

1. مقدمه

تحویل به موقع کالاها و خدمات در حوزه های مختلف مانند توزیع لجستیک [ 1 ]، حمل و نقل [ 2 ] و پیشگیری از جرم [ 3 ] از اهمیت بالایی برخوردار است. این در خدمات فوریت های پزشکی (EMS) نیز صادق است، زیرا اطمینان از تخصیص و ارسال سریع و کارآمد وسایل نقلیه می تواند به نجات جان انسان ها و بهبود کیفیت کلی خدمات عمومی کمک کند. این منجر به تلاش‌های اساسی برای توسعه ابزارها و رویکردهایی شده است که می‌توانند از رسیدگی به فوریت‌های پزشکی حمایت کنند [ 4 ].

بسیاری از حوزه های قضایی در سراسر جهان سازمان هایی را تعیین کرده اند که وظیفه هماهنگی و مدیریت شرایط اضطراری را دارند. در دسترس بودن داده های دنیای واقعی غنی از این سازمان ها فرصت هایی را برای بهبود جنبه های مختلف واکنش فوریت های پزشکی فراهم کرده است [ 5 ، 6 ، 7 ]. مطالعات متعددی برای این منظور انجام شده است که تحت چندین حوزه تحقیقاتی قرار دارند، مانند برنامه ریزی اعزام آمبولانس [ 8 ، 9 ]، استقرار و جابجایی ایستگاه و آمبولانس [ 10 ، 11 ]، مسیریابی وسیله نقلیه [ 12 ، 13 ]، تخلیه بیمارستان [ 14 ] ، 15]، و تجسم / پشتیبانی تصمیم [ 16 ، 17 ]. با این حال، علاوه بر این مشارکت‌ها، نیاز به ارزیابی سیستم‌های پاسخ اضطراری موجود، کشف الگوهایی که مشکلات محلی بالقوه در آن سیستم‌ها را برجسته می‌کنند نیز وجود دارد. این می‌تواند به سازمان‌ها کمک کند تا وضعیت واکنش اضطراری فعلی را بهتر درک کنند و تصمیمات مناسب مبتنی بر داده‌ها را بر اساس رویدادهای تاریخی اتخاذ کنند. انگیزه ما در این کار پیشنهاد یک ابزار کلی برای کشف ناکارآمدی‌های بالقوه سیستماتیک در داده‌های واکنش اضطراری در دنیای واقعی با پشتوانه اصول آماری جامد از نظر تخصیص ایستگاه‌های اعزام خودرو به مکان‌های اضطراری و همچنین در دسترس بودن وسایل نقلیه در هر ایستگاه است. با استفاده از معیارهای مکانی-زمانی قابل پارامترسازی

علیرغم فراوانی مطالعات در حوزه پاسخ اضطراری پزشکی، مطالعات کمی بر کشف الگوهای عملی از داده‌های اعزام آمبولانس موجود تمرکز کرده‌اند [ 4 ]. با این وجود، کشف الگو می‌تواند بینش‌های ارزشمندی را برای پشتیبانی تصمیم‌گیری فراهم کند. به عنوان مثال، می تواند یک منطق مبتنی بر داده های عینی برای توسعه و اجرای سیاست ارائه دهد. همچنین می‌تواند برای ارزیابی چارچوب‌های مکانی-زمانی خاص برای شناسایی مناطق و فواصل زمانی خاص که در آن مداخلات بیشتر مورد نیاز است، استفاده شود. در نهایت، می‌توان از آن برای شناسایی کارآمد مناطق برای بهبود در سیستم‌های واکنش اضطراری بزرگ، مانند سیستم‌های در مقیاس سراسری استفاده کرد.

در این کار، ما قصد داریم از داده‌های غنی در دنیای واقعی اعزام آمبولانس برای کشف ناکارآمدی‌های بالقوه و تجزیه و تحلیل وقوع آنها با توجه به سطح فعالیت ایستگاه‌های مربوطه استفاده کنیم تا نقاط بالقوه بهبود در تخصیص و اعزام خودرو را آشکار کنیم. در این کار، ناکارآمدی بالقوه سناریویی است که در آن یک یا چند ایستگاه برای پاسخگویی به یک وضعیت اضطراری زمانی که ایستگاه‌های دیگر نزدیک‌تر به آن وجود دارد، اختصاص داده می‌شوند. به عنوان مثال مورد نشان‌داده‌شده در شکل 1 را در نظر بگیرید ، جایی که یک ایستگاه دوردست، علی‌رغم شواهد تاریخی مبنی بر اینکه دو ایستگاه نزدیک‌تر وسایل نقلیه مناسب برای پاسخ‌گویی به آن را دارند، اعزامی را برای پاسخ به شرایط اضطراری انجام داد، که نشان‌دهنده ناکارآمدی احتمالی در واکنش اضطراری است.

تجزیه و تحلیل داده های پاسخ اضطراری پزشکی در دنیای واقعی توسط چندین عامل به چالش کشیده می شود. اولاً، اطلاعات موجود در چنین سوابقی اغلب ناقص است. با توجه به بررسی خدمات EMS توسط [ 18]، یک مشکل عمده در این حوزه، جمع آوری اطلاعات در مورد تمام رویدادهایی است که در کل واکنش اضطراری رخ می دهد. به عنوان مثال، در مطالعه موردی واقعی ما در مورد داده‌های EMS پرتغالی، در حالی که اعزام‌های وسیله نقلیه ثبت می‌شوند، مسیرهای واقعی طی شده توسط وسایل نقلیه و همچنین زمان‌های مراحل مختلف پاسخ (مانند رسیدن به مقصد، بازگشت به مقصد) ایستگاه) اغلب به دلیل وسایل نقلیه مختلف متعلق به سازمان های مختلف گم یا نادرست هستند. دوم، اطلاعات متنی مرتبط را نمی توان به راحتی بازیابی کرد، مانند در دسترس بودن وسیله نقلیه در هر ایستگاه. علاوه بر این، انواع اورژانس های پزشکی وجود دارد که ویژگی ها و شدت متفاوت آنها ممکن است به وسایل نقلیه و پرسنل تخصصی نیاز داشته باشد [ 19 ، 20 ]]؛ در دسترس بودن پویا وسایل نقلیه برای اعزام در نتیجه کمک های اضطراری و نیازهای حمل و نقل، برنامه های عملیاتی، در دسترس بودن کارکنان، خرابی ها، یا تعمیر و نگهداری [ 21 ]. تنوع ذاتاً زیاد فوریت های پزشکی و عوامل خارجی مانند شرایط آب و هوایی، ترافیک و رویدادهای عمومی (در مقیاس بزرگ) [ 22 ]. و ماهیت محلی دانش دامنه موجود و معیارهای اعزام. این امر نیاز به رویکردی را نشان می‌دهد که فقط به اطلاعات حداقلی نیاز دارد و در عین حال قادر به تخمین جزئیات زمینه‌ای مورد نیاز است و همچنین با معیارهای مکانی و زمانی و اضطراری خاص بافت قابل پارامترسازی است.

برای تجزیه و تحلیل ناکارآمدی‌های بالقوه از داده‌های واکنش اضطراری، ما یک فرآیند سه مرحله‌ای سیستماتیک را اعمال می‌کنیم. ابتدا، ناکارآمدی‌های بالقوه را از داده‌های پاسخ تاریخی غنی ایستگاه‌های مختلف شناسایی می‌کنیم. در این مورد، ناکارآمدی‌های بالقوه، ارسال غیربهینه وسایل نقلیه به مواقع اضطراری زمانی است که ایستگاه‌های نزدیک‌تری برای رسیدگی به آن وجود دارد. دوم، ما سطح فعالیت هر ایستگاه را در طول زمان بر اساس توزیع پاسخ های آن تخمین می زنیم. در نهایت، با تأیید آماری همبستگی ناکارآمدی‌های بالقوه با سطوح فعالیت ایستگاه‌های مربوطه، الگوها را استخراج می‌کنیم. رویکرد ما با حداقل اطلاعات کار می‌کند، زیرا به داده‌هایی در مورد در دسترس بودن وسیله نقلیه در هر ایستگاه و مهرهای زمانی پاسخ کلیدی غیر از ارسال نیازی ندارد. ما رویکرد پیشنهادی را به مجموعه داده‌های دنیای واقعی شامل تمام پاسخ‌های فوریت‌های پزشکی در سرزمین اصلی پرتغال اعمال کردیم. ما نشان می‌دهیم که می‌توانیم ناکارآمدی‌های بالقوه پشتیبانی شده توسط شواهد آماری را جدا، تجزیه و تحلیل و تجسم کنیم تا به عنوان راهنمایی برای ذینفعان EMS برای شناسایی نقاط بهبود عمل کند.

این مقاله به شرح زیر سازماندهی شده است. بخش 2 شامل کارهای مرتبط انجام شده در این دامنه است. بخش 3 روش تحقیق را ارائه می‌کند که شامل پارامترها و داده‌های مطالعه موردی، مشخصات رسمی مسئله، و رویکرد پیشنهادی برای تحلیل داده‌محور ناکارآمدی‌های بالقوه است. بخش 4 نتایج و یافته های مطالعه EMS پرتغالی را ارائه می کند. در نهایت، بخش 5 حاوی نکات پایانی است.

2. کارهای مرتبط

در این بخش، مطالعات مرتبط در مورد واکنش فوریت های پزشکی و ارتباط آنها با کار ما مورد بحث قرار می گیرد. پاسخ اورژانس پزشکی یک زمینه غنی است که شامل چندین پیشرفت محاسباتی است که می توان آنها را در سه دسته کلی طبقه بندی کرد: بهینه سازی، تجسم و کشف دانش.

در مطالعات بهینه‌سازی، سناریوهای واکنش اضطراری معمولاً به‌عنوان ساختارهای داده‌ای انتزاعی مانند نمودارها نشان داده می‌شوند که بر اساس آن‌ها فرآیندهای مختلف مانند تخصیص یا مسیریابی وسایل نقلیه را می‌توان با استفاده از تکنیک‌های محاسباتی بهینه کرد. اکثر کارهای مربوط به برنامه ریزی اعزام آمبولانس در این دسته قرار می گیرند. این خط تحقیقاتی بر جنبه‌های تصمیم‌گیری درگیر در مدیریت ناوگان آمبولانس، مانند اجرای استراتژی‌های اعزام برای سناریوهای مختلف و بهینه‌سازی مکان‌های آمبولانس برای رسیدگی موثر به حوادث اضطراری تمرکز دارد [ 23 ]. در کار [ 9]، یک رویکرد بهینه‌سازی مبتنی بر شبکه قوی برای جابجایی و مسیریابی آمبولانس‌ها پیشنهاد شده است که از طریق شبیه‌سازی با استفاده از پارامترهایی که شرایط دنیای واقعی را در کشورهای در حال توسعه ثبت می‌کنند، تایید می‌شود. در [ 24 ]، درختان تصمیم برای مدل سازی تصمیمات انسان در دنیای واقعی در اعزام آمبولانس در EMS هلند استفاده می شوند که منجر به بهبود عملکرد به موقع می شود. در کار [ 25 ]، یک استراتژی پویا برای اعزام آمبولانس با استفاده از یک چارچوب یادگیری تقویتی برای تخصیص کارآمد وسایل نقلیه به حوادث اضطراری پیشنهاد شده است. در کار [ 20 ]، یک الگوریتم برای انجام تصمیمات پویا در مورد اعزام یک یا چند وسیله نقلیه به شرایط اضطراری پیشنهاد شده است. در [ 26]، تأثیر اختصاص آمبولانس‌های خاص فقط برای بیماران همه‌گیر COVID-19 از نظر تأثیر آن بر عملکرد کلی EMS مورد مطالعه قرار گرفت.

یکی دیگر از جنبه های بهینه سازی در واکنش فوریت های پزشکی، مسئله مسیریابی خودرو است. مسئله مسیریابی وسیله نقلیه با هدف بهینه سازی مسیرهای طی شده توسط وسایل نقلیه واکنش دهنده در شرایط اضطراری است. در این مطالعات، به طور معمول، هدف به حداقل رساندن هزینه های مرتبط با مسیریابی وسایل نقلیه برای پاسخ به مجموعه ای از شرایط اضطراری است [ 13 ]. در کار [ 27 ]، کوتاه‌ترین مسیرها از آمبولانس‌های پاسخ‌دهنده به موارد اضطراری با استفاده از الگوریتم جستجوی نمودار اختصاص داده می‌شوند. در آثار [ 12 ، 28 ]، برنامه‌ریزی ریاضی برای یافتن راه‌حل‌های بهینه برای مسیریابی مجموعه‌ای از وسایل نقلیه برای تطبیق مجموعه‌ای از شرایط اضطراری در یک منطقه معین استفاده می‌شود. در [ 29]، مشکل مسیریابی وسیله نقلیه ابتدا با دسته‌بندی بیماران به گروه‌هایی با توجه به موقعیت‌های جغرافیایی، سپس یافتن مسیرهای بهینه برای رسیدگی به شرایط اضطراری نزدیک می‌شود.

پاسخ اورژانس پزشکی همچنین محدوده تحقیقاتی تخلیه بیمارستان و مشکلات تخلیه اتوبوس را پوشش می دهد. این حوزه بر توسعه استراتژی‌های مؤثر برای انتقال تعداد زیادی از بیماران از بیمارستان‌ها یا مناطق پرخطر به مکان‌های مراقبت‌های بهداشتی جایگزین در مواجهه با حوادث غیرقابل پیش‌بینی، مانند بلایا تمرکز دارد [ 15 ، 30 ]. در کار [ 31 ]، مشکل تخلیه مؤثر چندین نفر از مناطق فاجعه‌بار با استفاده از تعداد محدودی اتوبوس با یک رویکرد جدید sim-heuristic حل شده است که نتایج امیدوارکننده‌ای را نشان می‌دهد. در [ 32 ]، یک مدل بهینه سازی تصادفی برای تعیین یک طرح تخلیه مناسب برای بیماران در یک بیمارستان در طول یک وضعیت فاجعه استفاده می شود. در کار [ 33]، مشکل مسیریابی آمبولانس ها برای انتقال تعداد زیادی از بیماران بحرانی و غیر بحرانی از یک بیمارستان در معرض خطر سیل به عنوان یک مشکل برنامه ریزی عدد صحیح مختلط فرموله شده است.

برخلاف رویکردهای بهینه‌سازی، جریان دیگری از تحقیقات در مورد واکنش فوریت‌های پزشکی بر روی تجسم و کشف دانش متمرکز است. این آثار با تقویت EMS با ابزارهای پشتیبانی تصمیم برای پاسخگویی بهتر به شرایط اضطراری، نقش حمایتی بیشتری دارند [ 16 ]. تجسم ها برای اهداف مختلفی مانند آموزش و شبیه سازی [ 34 ، 35 ]، مدیریت زمان واقعی [ 36 ، 37 ، 38 ] و پشتیبانی تصمیم [ 39 ، 40 ] استفاده می شوند. در جبهه کشف دانش، بینش‌های ارزشمند مبتنی بر داده‌ها از داده‌های واکنش اضطراری استخراج می‌شوند. در کار [ 41]، از نقشه های خودسازماندهی برای یافتن الگوهایی در بروز حوادث اضطراری در نقشه فضایی استفاده می شود. سپس می توان از چنین الگوهایی برای تصمیم گیری بهتر در مورد نحوه تخصیص و ارسال منابع پزشکی استفاده کرد. در [ 42 ]، تعداد اعزام‌های آمبولانس در حالت اضطراری از تلفیقی از پاسخ‌های تاریخی و داده‌های محیطی تخمین زده می‌شود که برای ذینفعان واکنش اضطراری پشتیبانی می‌کند.

کار ما در این دسته آخر قرار می گیرد (یعنی کشف دانش و تجسم) اما کاربردهای بالقوه قوی در حوزه های تحقیقاتی فوق دارد. اگرچه مطالعات محاسباتی زیادی در مورد پاسخ اضطراری پزشکی انجام شده است، تعداد کمی از آنها بر روی استفاده از داده های EMS تاریخی موجود برای کشف الگوهای عملی بالقوه تمرکز کرده اند. در این مطالعه، ما با ارائه یک ابزار کلی برای کشف ناکارآمدی‌های بالقوه و ارزیابی آماری همبستگی آنها با سطوح فعالیت ایستگاه‌های آمبولانس از داده‌های EMS دنیای واقعی، به این موضوع می‌پردازیم. رویکرد پیشنهادی می تواند برای تقویت و بهبود جنبه های مختلف فرآیند واکنش اضطراری مورد استفاده قرار گیرد.

3. روش تحقیق

در این بخش، ما به طور رسمی روش تحقیق خود را برای کشف و تجزیه و تحلیل ناکارآمدی‌های بالقوه در واکنش به فوریت‌های پزشکی معرفی می‌کنیم. ابتدا مجموعه داده ای را که به عنوان مطالعه موردی در این مقاله استفاده کردیم معرفی می کنیم. سپس، ما رسماً اهداف کار خود را ترسیم می کنیم. در نهایت راه حل پیشنهادی خود را برای دستیابی به این اهداف معرفی می کنیم.

3.1. مجموعه داده واکنش اضطراری پرتغالی

EMS در سرزمین اصلی پرتغال توسط Instituto Nacional de Emergência Médica (INEM) https://www.inem.pt (در 22 مارس 2022) هماهنگ می شود. فوریت های پزشکی از طریق شماره 112 گزارش می شود. پس از آن، کارکنان ماهیت اورژانس را ارزیابی کرده و خودروی مناسب را با کادر پزشکی در صورت نیاز اعزام می کنند. هر نوع وسیله نقلیه برای مقابله با موقعیت‌های مختلف، از آسیب‌های سبک گرفته تا پشتیبانی حیاتی، مجهز است و در یکی از ایستگاه‌های تعیین‌شده (به عنوان مثال، بیمارستان‌ها، بخش‌های آتش‌نشانی) در سراسر سرزمین اصلی پرتغال مستقر است. تنها در سال 2019، INEM به 1.3 میلیون تماس (1.2 میلیون وسیله نقلیه) پاسخ داد (ارسال).

INEM اطلاعات مربوط به پاسخ های فوریت های پزشکی خود را در یک پایگاه داده ذخیره می کند. از جمله اطلاعات ذخیره شده عبارتند از: مهر زمانی هر پاسخ اضطراری، نوع اضطراری (مقدار طبقه بندی شده با مجموعه محدودی از گزینه ها، به عنوان مثال، “تجاوز”، “تصادف جاده ای”)، شدت (یک مقیاس ترتیبی از 1). تا 9)، محل اضطرار (مثلاً مختصات، منطقه، شهرداری)، واحد پاسخگو و ایستگاهی که واحد پاسخگو از آنجا اعزام شده است. در برخی موارد، اطلاعات اضافی نیز توسط کارکنان پاسخگو در وسایل نقلیه اورژانس ثبت می شود، مانند زمان ورود، خروج و تغییر مسیر بیمارستان. این داده ها به صورت دستی توسط کارکنان واکنش اضطراری با استفاده از فرم های دیجیتال کدگذاری می شوند که سپس به پایگاه داده INEM منتقل می شوند. دسترسی به پایگاه داده INEM، به عنوان پایه در این مطالعه استفاده شد، تحت همکاری DSAIPA/AI/0044/2018 اعطا شد. ما در درجه اول بر اطلاعات مربوط به زمان و مکان هر اضطراری و همچنین مکان ایستگاه ها تمرکز می کنیم. از این رو نقاط مبدا را از محل ایستگاه های پاسخگو و مقاصد مربوطه را از مکان های اضطراری به دست می آوریم. زمان اعزام ها را هم می گیریم. با این حال، مکان‌های دقیق خودرو در طول زمان ثبت نمی‌شود، زیرا همه وسایل نقلیه متعلق به INEM نیستند، بنابراین زمان ورود و بازگشت اغلب ناقص است. ما داده های واکنش اضطراری ثبت شده در سرزمین اصلی پرتغال از سال 2017 تا 2019 را در نظر می گیریم که حاوی بیش از سه میلیون رکورد است. ما در درجه اول بر اطلاعات مربوط به زمان و مکان هر اضطراری و همچنین مکان ایستگاه ها تمرکز می کنیم. از این رو نقاط مبدا را از محل ایستگاه های پاسخگو و مقاصد مربوطه را از مکان های اضطراری به دست می آوریم. زمان اعزام ها را هم می گیریم. با این حال، مکان‌های دقیق خودرو در طول زمان ثبت نمی‌شود، زیرا همه وسایل نقلیه متعلق به INEM نیستند، بنابراین زمان ورود و بازگشت اغلب ناقص است. ما داده های واکنش اضطراری ثبت شده در سرزمین اصلی پرتغال از سال 2017 تا 2019 را در نظر می گیریم که حاوی بیش از سه میلیون رکورد است. ما در درجه اول بر اطلاعات مربوط به زمان و مکان هر اضطراری و همچنین مکان ایستگاه ها تمرکز می کنیم. از این رو نقاط مبدا را از محل ایستگاه های پاسخگو و مقاصد مربوطه را از مکان های اضطراری به دست می آوریم. زمان اعزام ها را هم می گیریم. با این حال، مکان‌های دقیق خودرو در طول زمان ثبت نمی‌شود، زیرا همه وسایل نقلیه متعلق به INEM نیستند، بنابراین زمان ورود و بازگشت اغلب ناقص است. ما داده های واکنش اضطراری ثبت شده در سرزمین اصلی پرتغال از سال 2017 تا 2019 را در نظر می گیریم که حاوی بیش از سه میلیون رکورد است. زمان اعزام ها را هم می گیریم. با این حال، مکان‌های دقیق خودرو در طول زمان ثبت نمی‌شود، زیرا همه وسایل نقلیه متعلق به INEM نیستند، بنابراین زمان ورود و بازگشت اغلب ناقص است. ما داده های واکنش اضطراری ثبت شده در سرزمین اصلی پرتغال از سال 2017 تا 2019 را در نظر می گیریم که حاوی بیش از سه میلیون رکورد است. زمان اعزام ها را هم می گیریم. با این حال، مکان‌های دقیق خودرو در طول زمان ثبت نمی‌شود، زیرا همه وسایل نقلیه متعلق به INEM نیستند، بنابراین زمان ورود و بازگشت اغلب ناقص است. ما داده های واکنش اضطراری ثبت شده در سرزمین اصلی پرتغال از سال 2017 تا 2019 را در نظر می گیریم که حاوی بیش از سه میلیون رکورد است.

3.2. شرح وظیفه

برای این مطالعه، ما یک مجموعه داده پاسخ اضطراری پزشکی را با حداقل مؤلفه‌های زیر فرض می‌کنیم:

مجموعه ای از ایستگاه های S که وسایل نقلیه پاسخگو از آنجا اعزام می شوند، جایی که هر ایستگاه $s \in S$ دارای مکان ثابت
مجموعه ای از وسایل نقلیه V ، که در آن هر وسیله نقلیه $v \in V$ متعلق به یک دسته کاملاً تثبیت شده (مانند وسایل نقلیه با پشتیبانی حیاتی اولیه در مقابل پیشرفته)، به یک ایستگاه پایه اختصاص داده می شود. $s \in S$ ، و به طور منحصر به فرد شناسایی می شود.
مجموعه ای از سوابق واکنش فوریت های پزشکی E . هر پاسخ در E حاوی اطلاعاتی در مورد زمان و مکان وقوع آن و همچنین ایستگاه است $s \in S$ که به آن پاسخ داد. وسیله نقلیه پاسخ دهنده یکی از وسایل نقلیه مستقر در s است.

در این کار، رویکرد پیشنهادی ما با هدف پرداختن به دو هدف اصلی است: (1) شناسایی سوابق واکنش اضطراری در Eناکارآمدی‌های بالقوه هستند، و (2) شواهد آماری سیستماتیک از همبستگی بین ناکارآمدی‌های بالقوه و سطوح فعالیت ایستگاه‌های نزدیک‌تر را پیدا می‌کنند. در هدف اول، ما به طور رسمی “ناکارآمدی بالقوه” را به عنوان تخصیص غیر بهینه یک ایستگاه به یک موقعیت اضطراری تعریف می کنیم که (1) مکان اضطراری به طور غیرعادی از پوشش معمولی ایستگاه دور است و (2) حداقل یک ایستگاه نزدیکتر وجود دارد. ایستگاهی که می توانست به آن پاسخ دهد. ناکارآمدی های بالقوه می تواند ناشی از عوامل مختلفی باشد، مانند مشکلات مربوط به تخصیص و استراتژی اعزام، در دسترس نبودن وسایل نقلیه، یا شرایط پیش بینی نشده. با تجزیه و تحلیل سطح فعالیت ایستگاه‌های نزدیک‌تر، می‌توانیم بینشی به دست آوریم که آیا چنین ناکارآمدی‌های بالقوه با در دسترس نبودن وسایل نقلیه به دلیل بارهای زیاد مرتبط هستند یا خیر. به این منظور،

هدف رویکرد پیشنهادی کشف، ارزیابی آماری و بررسی وجود ناکارآمدی‌های بالقوه در داده‌های اورژانس پزشکی پرتغالی در دنیای واقعی و ارتباط آن‌ها با سطوح فعالیت ایستگاه‌های نزدیک‌تر است. از این هدف کلی، ما سه سؤال تحقیقاتی خاص را تعریف می کنیم که در مطالعه موردی خود به آنها پاسخ می دهیم:

ارتباط ناکارآمدی بالقوه با سطوح فعالیت ایستگاه‌های نزدیک‌تر چقدر است؟
آیا مناطق یا روزهای خاصی وجود دارد که در آن ناکارآمدی های بالقوه اغلب رخ می دهد؟
آیا می‌توان ایستگاه‌ها را با توجه به سطح فعالیت‌شان برای ارتقای عمل‌پذیری، نمایه کرد؟

ما معتقدیم که سؤالات فوق برای EMS مهم هستند، زیرا آنها یک دیدگاه مشخص از پاسخ وضعیت اضطراری فعلی ارائه می دهند. به عنوان مثال، اگر ناکارآمدی سیستماتیک بالقوه با سطوح بالای فعالیت در ایستگاه‌های نزدیک‌تر رخ دهد، می‌تواند نیاز به تخصیص وسایل نقلیه بیشتر را نشان دهد. در غیر این صورت، می تواند نشان دهنده نیاز به بررسی سایر منابع زمینه ای ناکارآمدی، مانند پروتکل های عملیاتی یا عوامل محیطی باشد. ما معتقدیم که این بینش ها در هدایت EMS برای تصمیم گیری ارزشمند هستند.

3.3. کشف و تحلیل ناکارآمدی های بالقوه

ما اکنون DAPI ، ابزار پیشنهادی برای کشف و تجزیه و تحلیل ناکارآمدی‌های بالقوه در داده‌های پاسخ اضطراری پزشکی را ارائه می‌کنیم که به اهداف فوق‌الذکر پرداخته است. کد منبع DAPI به صورت عمومی در https://github.com/thomastiamleept/dapi/ در دسترس است (در 22 مه 2022 قابل دسترسی است). DAPIبه سه مرحله تقسیم می شود: (1) کشف ناکارآمدی های بالقوه، (2) برآورد سطوح فعالیت ایستگاه، و (3) اعتبار سنجی و استخراج الگوها. در مرحله اول، داده‌های اعزام خودروهای اضطراری در دنیای واقعی به عنوان ورودی استفاده می‌شوند و ناکارآمدی‌های بالقوه به طور موثر بر اساس توزیع‌های فضایی پاسخ‌های تاریخی هر ایستگاه و فواصل جاده شناسایی می‌شوند. در مرحله دوم، سطوح فعالیت هر ایستگاه در طول زمان از داده های تاریخی بر اساس توزیع تعداد پاسخ ها و تعداد تخمین زده شده وسایل نقلیه فعال استنتاج می شود. در نهایت، فاز سوم همبستگی ناکارآمدی‌های بالقوه را با سطوح فعالیت ایستگاه‌های نزدیک‌تر با استفاده از اصول آماری جامد تحلیل می‌کند. خط لوله ای از رویکرد در شکل 2 نشان داده شده است. بخش های فرعی زیر هر مرحله را به تفصیل شرح می دهند.

3.3.1. شناسایی ناکارآمدی های بالقوه

مرحله اول DAPI مجموعه‌ای از سوابق پاسخ اضطراری پزشکی را، همانطور که در بخش 3.2 توضیح داده شده است، می‌گیرد و هدف آن شناسایی کارآمد سوابقی است که ناکارآمدی بالقوه هستند. ناکارآمدی‌های بالقوه مواردی هستند که (1) ایستگاه پاسخ‌دهی به طور غیرعادی از پوشش معمول ایستگاه فاصله دارد و (2) ایستگاه‌هایی نزدیک‌تر به محل اضطراری وجود دارد. در حالی که به نظر می رسد این یک کار بی اهمیت است، اما به دلیل این واقعیت که ایستگاه های مختلف دارای مناطق مختلف پوشش هستند و به دلیل غیرممکن بودن مقایسه فاصله هر جفت ایستگاه اضطراری با توجه به اندازه بزرگ مجموعه داده، پیچیده است.

برای تعیین اینکه کدام موارد دارای ایستگاه های پاسخگویی هستند که به طور غیرمعمولی از پوشش معمول ایستگاه فاصله دارند، DAPI فاصله Mahalanobis هر رویداد اضطراری را تا ایستگاه پاسخ دهنده مربوطه محاسبه می کند. فاصله ماهالانوبیس بین یک نقطه $\vec{x}$ و توزیع با میانگین $\vec{μ}$ و ماتریس کوواریانس $Σ$ در معادله ( 1 ) تعریف شده است.

D م (ایکس ⃗ ، μ ⃗ ، Σ) = (ایکس ⃗ - μ ⃗) تی Σ - 1 (ایکس ⃗ - μ ⃗) —————-\sqrt

(1)

فاصله Mahalanobis دو ویژگی کلیدی مطلوب را برای این کار فراهم می کند: (1) متریک فاصله را نسبت به منطقه تحت پوشش ایستگاه ارائه می دهد که در این مورد با توزیع فضایی تاریخی پاسخ های آن گرفته می شود. و (2) دارای یک پیاده سازی برداری است که امکان محاسبه کارآمد در تعداد زیادی از پرس و جوها را فراهم می کند.

تمام پاسخ هایی که فاصله ماهالانوبیس آنها تا توزیع ایستگاه پاسخگو بزرگتر یا مساوی یک آستانه است.

θ

شناسایی شده و به لیست نامزدهای ناکارآمدی احتمالی اضافه می شوند. در DAPI ،

θ = 1.5

به طور پیش فرض، اگرچه می توان آن را با توجه به حساسیت مورد نظر تنظیم کرد. فاصله Mahalanobis را می توان به عنوان تعداد انحرافات استاندارد دور از مرکز تفسیر کرد. آستانه

θ = 1.5

به عنوان یک مقدار محافظه کارانه برای پوشش پاسخ هایی انتخاب می شود که از نظر آماری از پوشش معمول ایستگاه پاسخ دهنده دورتر هستند اما لزوماً پرت نیستند. شکل 3 پاسخ های ایجاد شده توسط یک ایستگاه را نشان می دهد که نامزدهای ناکارآمدی بالقوه برای مقادیر مختلف برجسته شده اند.

θ

هنگامی که ناکارآمدی های بالقوه نامزد شناسایی شد، گام بعدی فیلتر کردن بیشتر این موارد بر اساس معیار دوم است که حداقل به یک ایستگاه دیگر نزدیکتر به وضعیت اضطراری نیاز دارد. برای این منظور، ما باید فاصله واقعی جاده بین ایستگاه ها و مکان های اضطراری را محاسبه کنیم. ابزارهای منبع باز برای محاسبه فاصله بین دو نقطه جغرافیایی و در نظر گرفتن شبکه‌های جاده‌ای در دنیای واقعی، مانند ماشین مسیریابی منبع باز (OSRM) ( https://project-osrm.org (در 22 مه 2022) در دسترس هستند. در ترکیب با داده های OpenStreetMap ( https://wiki.openstreetmap.org/wiki/Downloading_data(دسترسی در 22 مه 2022)). با این حال، اجرای تعداد زیادی پرس و جو با استفاده از این ابزارها می تواند زمان بسیار زیادی را صرف کند. بنابراین، برای به حداقل رساندن قابل توجه تعداد محاسبات، DAPI از فاصله Haversine برای تقریب فاصله واقعی جاده ابتدا استفاده می کند تا تعداد درخواست های فاصله جاده مورد نیاز را فیلتر کند. فاصله هاورسین فاصله زاویه ای بین دو مختصات (طول و عرض جغرافیایی) روی زمین است

(Φ_{1}, λ_{1})

(Φ_{2}, λ_{2})

. قبلاً نشان داده شده بود که فاصله هاورسین تخمین‌گر خوبی برای فواصل جاده‌ای در دنیای واقعی است [ 43 ].

معادله ( 2 ) فاصله هاورسین را به صورت تعریف می کند

د = 2 r گناه - 1 (گناه 2 (Φ 2 - Φ 1 2) + cos (Φ 1) cos (Φ 2) گناه 2 (λ 2 - λ 1 2) ——————————————-\sqrt) ،

(2)

جایی که $r = 6378.137$ ، شعاع زمین بر حسب کیلومتر. فاصله هاورسین حد پایینی برای مسافت جاده فراهم می کند و محاسبه آن می تواند بردار باشد.

با استفاده از OpenStreetMap، فواصل جاده‌ای بین هر اضطراری و ایستگاه‌های پاسخ‌دهنده، و همچنین فاصله تا ایستگاه‌های غیر پاسخگو با فاصله جاده نزدیک‌تر به محل اضطراری تخمین زده می‌شود. از اینجا، DAPI فقط زمانی مسافت واقعی جاده را جستجو می کند که فاصله جاده تخمینی نزدیکترین ایستگاه کمتر از فاصله جاده تخمینی ایستگاه پاسخگو باشد، با در نظر گرفتن مقداری حاشیه خطا.

ϵ

برای برآورد هاورسین

مدل خطی برای تخمین مسافت جاده را می توان به یک نمونه تصادفی از داده ها برازش داد. شکل 4 ، در نمونه ای در مجموعه داده ما، (الف) رابطه بین فاصله هاورسین و فاصله واقعی جاده، با خط رگرسیون حداقل مربعات مناسب برای پیش بینی، و (ب) توزیع باقیمانده مدل خطی مذکور را نشان می دهد. توجه داشته باشید که

ϵ

را می توان بر اساس توزیع باقیمانده انتخاب کرد. در محافظه‌کارانه‌ترین حالت، حداقل مقدار را می‌توان انتخاب کرد، اما یک صدک را می‌توان در مورد پرت‌های رایج استفاده کرد.

هنگامی که فواصل جاده مربوطه به دست آمد، DAPI از پاسخ های نامزد آنهایی را انتخاب می کند که ایستگاه های نزدیک تر به وضعیت اضطراری دارند. بسته به شرایط، محدودیت‌های اضافی ممکن است اعمال شود، مانند اطمینان از اینکه ایستگاه‌های نزدیک‌تر در همان منطقه یا شهرداری قرار دارند، اگر بخواهید به حوزه‌های قضایی عملیاتی احترام بگذارید. پس از عملیات فوق، فهرستی از ناکارآمدی‌های بالقوه ارائه می‌کنیم که هر نمونه شامل: (1) وضعیت اضطراری، (2) ایستگاه پاسخ‌دهی و فاصله آن از اضطرار، و (3) فهرست ایستگاه‌های نزدیک‌تر به اورژانس است. اورژانس و فواصل مربوطه آنها از اورژانس.

الگوریتم 1 روش شناسایی ناکارآمدی های بالقوه را خلاصه می کند. الگوریتم مجموعه ای از شرایط اضطراری را به عنوان ورودی دریافت می کند $E$ ، مجموعه تمام ایستگاه ها $S$ و یک مقدار آستانه $θ$ . ابتدا یک لیست تهیه می کنیم $C$ موارد اضطراری نامزد بر اساس فاصله Mahalanobis هر پاسخ (خطوط 3-8). بعد، برای هر اورژانس کاندید در $C$ (خطوط 9-20)، ما بررسی می کنیم که آیا حداقل یک ایستگاه نزدیکتر وجود دارد که بتواند به شرایط اضطراری پاسخ دهد. اگر چنین باشد، یک وضعیت اضطراری با ناکارآمدی بالقوه پیدا شده است (خطوط 14-17). توجه داشته باشید که خط 13 از فاصله Haversine برای کاهش تعداد درخواست‌های مسافت جاده مورد نیاز استفاده می‌کند و کارایی را به طور قابل توجهی بهبود می‌بخشد. در نهایت، الگوریتم مجموعه ای از همه موارد اضطراری با ناکارآمدی های بالقوه را برمی گرداند (خط 21).

الگوریتم 1 الگوریتم شناسایی ناکارآمدی های بالقوه

ورودی:

E

: موارد اضطراری

S

: ایستگاه ها

θ

: آستانه
خروجی: فهرست ناکارآمدی های بالقوه

1:: $C \leftarrow \emptyset$ ▹ موارد اضطراری نامزد
2:: $I \leftarrow \emptyset$ ▹ موارد اضطراری با ناکارآمدی های بالقوه
3:: برای هر $e \in E$ انجام دادن
4:: $s \leftarrow R e s p o n d i n g S t a t i o n (e)$
5:: اگر $M a h a l a n o b i s (e, s) \geq θ$ سپس
6:: $C = C \cup {e}$ ▹ کاندیدای اضطراری جدید پیدا شد
7:: پایان اگر
8:: پایان برای
9:: برای هر $e \in C$ انجام دادن
10:: $s \leftarrow R e s p o n d i n g S t a t i o n (e)$
11:: $r \leftarrow R o a d D i s t a n c e (e, s)$
12:: برای هر $t \in S ∖ {s}$ انجام دادن
13:: اگر $H a v e r s i n e (e, t) - ϵ < r$ سپس
14:: اگر $R o a d D i s t a n c e (e, t) < r$ سپس
15:: $I = I \cup {e}$ ▹ وضعیت اضطراری با ناکارآمدی بالقوه پیدا شد
16:: $break$
17:: پایان اگر
18:: پایان اگر
19:: پایان برای
20:: پایان برای
21:: برگشت $I$

3.3.2. برآورد سطح فعالیت ایستگاه

هنگامی که ناکارآمدی های بالقوه شناسایی شد، DAPI این موارد را در زمینه در دسترس بودن وسایل نقلیه در ایستگاه ها تجزیه و تحلیل می کند. با این حال، اطلاعات در مورد خودرو و کارکنان در دسترس ممکن است به سرعت در دسترس نباشد. در این زمینه، هدف ما برآورد سطح فعالیت هر ایستگاه در یک زمان معین بر اساس حجم پاسخ‌هایی است که برای یک پنجره زمانی معین ارسال می‌کند. برای انطباق با اندازه های مختلف ایستگاه، به میانگین تعداد پاسخ ها به ازای هر وسیله نقلیه (RPV) در هر ایستگاه نگاه می کنیم.

یک ایستگاه داده شده است

s \in S

، یک تاریخ خاص d و یک پارامتر عدد صحیح

D

، اجازه دهید

vehicles (s, d, D)

تعداد وسایل نقلیه فعال منحصر به فرد در ایستگاه ها در بازه زمانی از

d - \frac{D - 1}{2}

به

d + \frac{D - 1}{2}

. پارامتر

D

نشان دهنده تعداد کل روزهایی است که باید هنگام تخمین تعداد وسایل نقلیه منحصر به فرد در نظر گرفته شود، با روز d در مرکز. برای محاسبه تعداد وسایل نقلیه، ما به سادگی تعداد کدهای وسیله نقلیه منحصر به فرد را از تمام پاسخ های دریافت شده از ایستگاه ها در آن بازه زمانی می شماریم. یک ایده آل

D

باید به اندازه کافی کوچک باشد تا بتواند تعداد وسایل نقلیه عملیاتی در یک ایستگاه را در طول زمان ثبت کند، اما به اندازه کافی بزرگ باشد تا نوسانات کوچک تعداد خودروهای پاسخگو را به صورت روزانه پوشش دهد. به طور شهودی،

D

را می توان اینگونه تفسیر کرد: «اگر یک وسیله نقلیه عملیاتی است، پس باید حداقل یک پاسخ در گذشته داشته باشد

\frac{D - 1}{2}

روز تا روز بعد

\frac{D - 1}{2}

روزها؛ در غیر این صورت، کاندیدای غیرعملیاتی است.» در این مطالعه ما تعیین کردیم

D = 15

، مربوط به یک بازه زمانی 15 روزه است که به اعتقاد ما یک پنجره زمانی معقول برای شناسایی خودروهای نامزد غیرعملیاتی است.

با توجه به یک ایستگاه s ، یک مهر زمان t و یک پارامتر طول پنجره ثابت $W$ ، اجازه دهید $count (s, t, W)$ تعداد کل پاسخ های داده شده در بازه زمانی از $t - W$ به تی . به طور شهودی، اگر $W = 2$ h، سپس پاسخ هایی را در نظر می گیریم که از 2 ساعت گذشته تا مهر زمانی گرفته شده اند. اجازه دهید $day (t)$ تابعی باشد که روزی را برمی گرداند که مهر زمانی معینی تحت آن قرار می گیرد. معادله ( 3 ) RPV یک وسیله نقلیه را در یک زمان معین تعریف می کند.

آر پی V (s ، t) = شمارش ( s , t ) وسایل نقلیه ( ها , روز ( t ) )

(3)

محدوده RPV ممکن است بین ایستگاه ها به دلیل عوامل جغرافیایی و عملیاتی متفاوت باشد. شکل 5 توزیع مقادیر RPV سه ایستگاه مختلف را برای یک بازه زمانی دلخواه انتخاب شده نشان می دهد و این را نشان می دهد. بنابراین، نیاز به نرمال کردن مقادیر RPV برای تولید یک معیار کلی برای سطح فعالیت وجود دارد. روند عادی سازی بعداً در الگوریتم مورد بحث قرار می گیرد. مقادیر RPV نرمال شده برای هر ایستگاه بدینوسیله به عنوان سطح فعالیت هر ایستگاه نامیده می شود. به طور شهودی، سطح فعالیت مثبت به این معنی است که ایستگاه “مشغله تر از حد معمول” است، در حالی که سطح فعالیت منفی به این معنی است که ایستگاه “کمتر از حد معمول شلوغ است”.

با توجه به فرمول های فوق، DAPI تخمین سطح فعالیت را با استفاده از الگوریتم 2 انجام می دهد. الگوریتم به ایستگاه ها نیاز دارد. $S$ ، بردار تاریخ ها در مجموعه داده $TD$ و بردار مُهرهای زمانی $TS$ از تقسیم بندی جدول زمانی به فواصل 5 دقیقه ای. علاوه بر این، الگوریتم به دو پارامتر نیز نیاز دارد $D$ و $W$ . برای محاسبه کارآمد سطوح فعالیت، DAPI از یک جدول جستجو برای ذخیره تعداد وسایل نقلیه و تعداد موارد اضطراری برای ترکیب‌های مختلف استفاده می‌کند تا فقط یک بار محاسبه شوند. خطوط 4-7 ساختارهای داده را برای الگوریتم تنظیم می کند. خطوط 8 تا 13 تعداد تخمینی وسایل نقلیه را برای جفت های ایستگاه-تاریخ مختلف و تعداد موارد اضطراری را برای جفت های فاصله ایستگاه-زمان مختلف محاسبه می کند.

الگوریتم 2 الگوریتم تخمین سطح فعالیت

ورودی:

S

: ایستگاه ها

TD

: تاریخ،

TS

: مهر زمانی،

D

: طول بازه زمانی،

W

: طول پنجره
خروجی: سطح فعالیت هر ایستگاه

1:: $n \leftarrow | S |$ ▹ تعداد ایستگاه ها
2:: $m \leftarrow | TD |$ ▹ تعداد تاریخ ها در مجموعه داده
3:: $k \leftarrow | TS |$ ▹ تعداد مهرهای زمانی در مجموعه داده
4:: $V L \leftarrow$ بردار جدید $[n] [m]$
5:: $C L \leftarrow$ بردار جدید $[n] [k]$
6:: $R P V L \leftarrow$ بردار جدید $[n] [k]$
7:: $a c t i v i t y_l e v e l s \leftarrow$ بردار جدید $[n] [k]$
8:: برای هر $s \in [1 \dots n], d \in [1 \dots m]$ انجام ▹ هر ایستگاه و تاریخ
9:: $V L [s] [d] \leftarrow v e h i c l e s (S [s], TD [d], D)$
10:: پایان برای
11:: برای هر $s \in [1 \dots n], t \in [1 \dots k]$ انجام ▹ هر ایستگاه و مهر زمان
12:: $C L [s] [t] \leftarrow c o u n t (S [s], TS [t], W)$
13:: پایان برای
14:: برای هر $s \in [1 \dots n], t \in [1 \dots k]$ انجام دادن
15:: $R P V L [s] [t] \leftarrow R P V (S [s], TS [t], V L, C L)$
16:: پایان برای
17:: برای هر $s \in [1 \dots n], t \in [1 \dots k]$ انجام دادن
18:: $μ \leftarrow m e a n (s, t, R P V L)$
19:: $σ \leftarrow s t d (s, t, R P V L)$
20:: $a c t i v i t y_l e v e l s [s] [t] \leftarrow \frac{R P V L [s] [t] - μ}{σ}$
21:: پایان برای
22:: برگشت $a c t i v i t y_l e v e l s$

سپس، RPV برای هر جفت ایستگاه-فاصله در خطوط 14-16 محاسبه می شود. تابع RPV در خط 15 دقیقاً همان است که قبلاً تعریف شده است، به جز مقادیر از پیش محاسبه شده برای تعداد تخمینی وسایل نقلیه ( $V L$ ) و شمارش موارد اضطراری ( $C L$ ) به عنوان پارامتر اضافه می شوند، به طوری که لازم نیست چندین بار دوباره محاسبه شوند. در اصل، این به معنای بیان مجدد تابع RPV در معادله ( 3 ) بالا به عنوان معادله ( 4 ) است.

آر پی V (s ، t ، V ال ، سی ل) = سی L [ s ] [ t ] V L [ s ] [ d یک سال ( تی ) ]

(4)

در نهایت، خطوط 17-21 با استفاده از z -normalization، RPV را عادی می کنند. ابتدا، میانگین و انحراف استاندارد مقادیر RPV در تمام بازه‌های زمانی در هر ایستگاه محاسبه می‌شود. سپس، سطح فعالیت به عنوان RPV با تفریق میانگین بر انحراف استاندارد محاسبه می‌شود. برای ثبت تفاوت در فعالیت ایستگاه ها در زمان های مختلف روز،

μ

σ

را می توان با توجه به زمان روز با در نظر گرفتن پارامتر t محاسبه کرد. برای مثال می توان از میانگین و انحراف معیار جداگانه برای هر ساعت از روز استفاده کرد.

الگوریتم سطح فعالیت هر ایستگاه را در هر پنجره زمانی برمی گرداند. با استفاده از این به عنوان پایه، ما سپس هر ناکارآمدی بالقوه و سطوح فعالیت ایستگاه های اطراف آن را تجزیه و تحلیل می کنیم. نمونه ای که مفاهیم معرفی شده مربوط به سطح فعالیت را نشان می دهد در شکل 6 نشان داده شده است .

3.3.3. اعتبار سنجی و تجزیه و تحلیل

در حالی که بررسی نمونه‌های منفرد از قبل حمایت ارزشمندی را برای ذینفعان EMS فراهم می‌کند، نیاز به اعتبار آماری بیشتر همبستگی‌های بین ناکارآمدی‌های بالقوه و سطوح فعالیت وجود دارد. در این مرحله، چارچوبی را ایجاد می‌کنیم که توسط DAPI برای اعتبارسنجی همبستگی بین ناکارآمدی‌های بالقوه و سطوح فعالیت ایستگاه شناسایی‌شده در مراحل قبلی، با هدف کمک به شناسایی علل بالقوه برای گلوگاه‌های شناسایی‌شده، استفاده می‌شود. چارچوب را می توان در دو مرحله اصلی خلاصه کرد: (1) شناسایی پاسخ ها برای اعتبارسنجی، و (2) مقایسه آماری سطوح فعالیت ایستگاه های مربوطه.

ابتدا، مجموعه ای از ناکارآمدی های بالقوه X را شناسایی می کنیم که باید اعتبار سنجی شوند. X را می توان به گونه ای انتخاب کرد که شامل تمام ناکارآمدی های بالقوه برای اعتبارسنجی کل سیستم باشد، یا X را می توان به عنوان زیرمجموعه ای از موارد یافت شده برای انجام اعتبارسنجی های محلی انتخاب کرد (به عنوان مثال، ردپای فضایی-زمانی خاص). در بالاترین سطح، DAPI تمام رخدادهای اضطراری در سرزمین اصلی پرتغال را در نظر می گیرد، اما سناریوی مطالعه با معیارهای مکانی-زمانی (مناطق و فواصل زمانی خاص) و فیلترهای مبتنی بر ویژگی معمولی (مانند انواع خاص وسایل نقلیه، شرایط اضطراری) قابل پارامترسازی است.

سپس آزمون آماری را به صورت زیر تنظیم می کنیم. برای هر

x \in X

، اجازه دهید

C \subset S

مجموعه ای از ایستگاه هایی باشد که به وضعیت اضطراری شرح داده شده در x نزدیک تر هستند (اما پاسخ نمی دهند) . برای هر

c \in C

activity (c, e)

ثبت می شود، جایی که e مهر زمانی وضعیت اضطراری است که در x توضیح داده شده است. در نهایت، ما یک آزمون رتبه‌بندی علامت‌دار ویلکاکسون غیرپارامتری یک نمونه‌ای را روی موارد ثبت‌شده انجام می‌دهیم تا بررسی کنیم که آیا سطوح فعالیت از 0 در سطح قابل‌توجهی واگرا می‌شوند، با 0 که سطح فعالیت پایه هر ایستگاه با توجه به تعریف z -سطح فعالیت عادی شده است. این آزمون به این دلیل استفاده شد که توزیع سطوح فعالیت لزوماً نرمال نیست. از آنجایی که ما از آزمون رتبه‌بندی علامت‌دار Wilcoxon استفاده می‌کنیم، اندازه X باید به اندازه کافی بزرگ باشد تا از سلامت آماری برخوردار باشد. کارهای قبلی حداقل 16 نمونه را قرار داده اند [ 44 ]، اما اندازه های بزرگتر قابل درک است.

انتخاب X را می توان به طور سیستماتیک انجام داد تا اعتبارسنجی محلی تر ناکارآمدی های بالقوه انجام شود. به عنوان مثال، X را می توان به گونه ای انتخاب کرد که ناکارآمدی های بالقوه در یک منطقه یا دوره زمانی خاص را شامل شود. علاوه بر این، برای ارزیابی اینکه آیا ناکارآمدی‌ها ناشی از سطوح بالای فعالیت ایستگاه‌های مجاور است، آزمایش‌های آماری ساده و در عین حال قوی می‌تواند انجام شود. این فرآیندها بعداً در بخش 4 نشان داده شده است.

4. نتایج و بحث

در این بخش، ما یک مطالعه موردی در مورد داده‌های پاسخ EMS پرتغالی ارائه می‌کنیم. ما این بخش را به سه بخش فرعی تقسیم می کنیم که در آن به سؤالات تحقیق تعریف شده در بخش 3.2 از طریق بینش های به دست آمده از اعتبار سنجی تجربی رویکرد پیشنهادی پاسخ می دهیم و اثربخشی، قابلیت استفاده و تفسیرپذیری آن را نشان می دهیم.

4.1. RQ1: ناکارآمدی‌های بالقوه چقدر با سطوح فعالیت ایستگاه‌های نزدیک‌تر مرتبط هستند؟

ابتدا، ناکارآمدی های بالقوه را در سطح کلان بررسی می کنیم. برای انجام این کار، ما تمام ناکارآمدی‌های بالقوه را برای سال‌های 2017، 2018 و 2019 برای دو گروه خودرو کشف می‌کنیم: آمبولانس‌ها و وسایل نقلیه فوریت‌های پزشکی و بازسازی (VMER). آمبولانس‌ها پشتیبانی اولیه زندگی را ارائه می‌کنند و به موقعیت‌های غیر بحرانی پاسخ می‌دهند، در حالی که VMER آمبولانس‌های پیشرفته پشتیبانی از زندگی هستند که توسط پرسنل پزشکی آموزش‌دیده کار می‌کنند و حاوی تجهیزات پزشکی پیشرفته هستند. برای هر گروه، ما فقط پاسخ‌های اضطراری را در نظر می‌گیریم که توسط خودرویی در آن دسته به آنها پاسخ داده شده است. برای اهداف این تجزیه و تحلیل، ما فرض می کنیم که هر اضطراری به شدت به نوع خاصی از وسیله نقلیه نیاز دارد.

در اجرای الگوریتم، یک پنجره زمانی 2 ساعت در نظر می گیریم (

W =

2 ساعت) در تشخیص سطح فعالیت یک ایستگاه در یک زمان معین.

D = 15

(15 روز) برای تخمین تعداد وسایل نقلیه منحصر به فرد استفاده می شود. علاوه بر این، در مورد آمبولانس‌ها، ما شناسایی ایستگاه‌های نزدیک‌تر را به ایستگاه‌های همان شهرداری به عنوان اورژانس محدود می‌کنیم تا به حوزه‌های قضایی عملیاتی احترام بگذاریم. اما ایستگاه پاسخگویی می تواند از سایر شهرداری ها باشد. در نهایت، ما یک تقسیم بندی ساعتی را برای عادی سازی RPV اعمال می کنیم تا تفاوت های احتمالی در دسترس بودن وسایل نقلیه در زمان های مختلف روز را در نظر بگیریم.

جدول 1 نتایج را برای سال های 2017-2019 نشان می دهد. از اینجا، می‌توانیم ببینیم که مقدار قابل توجهی از ناکارآمدی‌های بالقوه به طور مداوم برای آمبولانس‌ها و VMER شناسایی شده‌اند. علاوه بر این، یافته‌ها در سال به طور مداوم تأیید می‌کنند که ایستگاه‌های اورژانس نزدیک‌تر در زمان وقوع آن ناکارآمدی‌ها، سطوح فعالیت بیشتری نسبت به معمول داشتند. برای توضیح بیشتر، شکل 7توزیع سطوح فعالیت ایستگاه‌های نزدیک‌تر را در طول ناکارآمدی‌های بالقوه در سال 2019 نشان می‌دهد. در اینجا، می‌توان مشاهده کرد که ایستگاه‌های نزدیک‌تر اغلب سطوح فعالیت مثبت را در این بازه‌های زمانی نشان می‌دهند. اینها شواهد قانع کننده ای را ارائه می دهند که به طور کلی، ناکارآمدی های بالقوه با سطوح بالای فعالیت و در نتیجه، سطوح بالای تقاضا برای خدمات اورژانس پزشکی مرتبط است.

4.2. RQ2: آیا مناطق یا روزهای خاصی وجود دارد که در آن ناکارآمدی های بالقوه اغلب رخ می دهد؟

برای پاسخ به این سوال، خوشه‌بندی فضایی را برای ناکارآمدی‌های بالقوه بر اساس موقعیت اضطراری اعمال می‌کنیم. برای انجام این کار، از یک الگوریتم خوشه‌بندی مبتنی بر چگالی، DBSCAN [ 45 ] با فاصله هاورسین به عنوان پایه استفاده می‌کنیم. ما پارامتر eps را روی 2 کیلومتر و پارامتر minpts را روی 500 تنظیم کردیم. این به ما امکان می‌دهد به طور سیستماتیک حوادث اضطراری متراکم را که در ناکارآمدی‌های احتمالی که از نظر جغرافیایی به یکدیگر نزدیک هستند، پیدا کنیم.

شکل 8 خوشه های مربوط به ناکارآمدی های بالقوه شناسایی شده برای کل سال 2019 را با توجه به آمبولانس ها نشان می دهد، در حالی که جدول 2 آمار سطوح فعالیت ایستگاه های نزدیک تر را برای هر خوشه منطقه نشان می دهد. از اینجا، می‌توانیم ببینیم که بیشترین تمرکز ناکارآمدی‌های بالقوه در اطراف منطقه پورتو شناسایی شده است، در حالی که هشت خوشه شناسایی‌شده دیگر در اطراف پرتغال وجود دارد. اکثر این مناطق، به استثنای فارو، در پرجمعیت ترین مناطق پرتغال قرار دارند. با این وجود، فارو یک مقصد گردشگری محبوب است.

برای هفت از نه خوشه، سطوح فعالیت ایستگاه های نزدیکتر بالاتر از سطح فعالیت پایه در سطح معنی داری 0.01 است. جالب توجه است، خوشه‌های Seixal و Almada و شرق لیسبون چندین ناکارآمدی بالقوه را نشان دادند، اما به طور کلی در طول این ناکارآمدی‌ها، سطوح فعالیت بالایی را در بین ایستگاه‌های نزدیک‌تر نشان ندادند. این نشان می دهد که ناکارآمدی های بالقوه به طور کلی برای این خوشه به دلیل تقاضای بالا نیست، بلکه به دلایل دیگر ایجاد می شود.

با بزرگنمایی بیشتر، مجموعه‌هایی از ناکارآمدی‌های بالقوه را کشف می‌کنیم که به صورت روزانه اتفاق می‌افتند. برای انجام این کار، ما خوشه بندی فضایی را با استفاده از DBSCAN برای هر روز اعمال می کنیم، با پارامتر eps روی 2 کیلومتر و پارامتر minpts روی 10. جدول 3 برخی از این خوشه ها را با تجسم های مربوطه در شکل 9 نشان می دهد.

در پورتو، تمرکز زیادی از موارد اضطراری وجود داشت که در یک روز اتفاق افتاد. اکثر این موارد اضطراری مربوط به مسمومیت بود که احتمالاً به دلیل تعطیلات بزرگ در آن تاریخ بود. اکثر ایستگاه‌های نزدیک‌تر در طول این حوادث اضطراری سطوح فعالیت بسیار بالایی داشتند. با این حال، یک ایستگاه وجود داشت که سطح فعالیت منفی داشت. این موارد بیشتر مربوط به موارد اضطراری بود که در ساعات صبح (12 صبح تا 8 صبح) اتفاق افتاد، که در آن ایستگاه مذکور قادر به پاسخگویی نبود، علیرغم شواهد موجود در داده‌ها مبنی بر اینکه می‌تواند پاسخ‌ها را در آن ساعات ارسال کند. این بدان معنی است که این ایستگاه به دلیل نامشخصی در روز اول دی ماه قادر به پاسخگویی نبود. از سوی دیگر، در تومار نیز در روزی که مصادف با یک جشنواره محلی است، تعداد موارد اضطراری بسیار زیاد بود. در مجموع، 38 مورد اورژانس در مقایسه با میانگین روزانه 14.22 رخ داده است. احتمالاً به همین دلیل بود که ایستگاه های دور برای پاسخگویی به برخی از آنها فراخوانده شدند. سرانجام، در Setúbal، روزی بود که غلظت بالایی از ناکارآمدی‌های بالقوه رخ داد. در این مورد، سطوح فعالیت دو ایستگاه نزدیک‌تر به طور مداوم مثبت نبود. در مورد ایستگاه نزدیکتر، در حالی که سطح فعالیت میانگین مثبتی داشت، این تنها تحت تأثیر چند نمونه با مقادیر بسیار بالا قرار گرفت. به این ترتیب، به طور کلی، هیچ واگرایی آماری معنی‌داری با خط پایه برای این خوشه وجود نداشت، که نشان می‌دهد این ناکارآمدی‌های بالقوه ناشی از فعالیت زیاد نیست، بلکه توسط عوامل دیگر ایجاد می‌شود. در Setúbal، روزی بود که غلظت بالایی از ناکارآمدی‌های بالقوه رخ داد. در این مورد، سطوح فعالیت دو ایستگاه نزدیک‌تر به طور مداوم مثبت نبود. در مورد ایستگاه نزدیکتر، در حالی که سطح فعالیت میانگین مثبتی داشت، این تنها تحت تأثیر چند نمونه با مقادیر بسیار بالا قرار گرفت. به این ترتیب، به طور کلی، هیچ واگرایی آماری معنی‌داری با خط پایه برای این خوشه وجود نداشت، که نشان می‌دهد این ناکارآمدی‌های بالقوه ناشی از فعالیت زیاد نیست، بلکه توسط عوامل دیگر ایجاد می‌شود. در Setúbal، روزی بود که غلظت بالایی از ناکارآمدی‌های بالقوه رخ داد. در این مورد، سطوح فعالیت دو ایستگاه نزدیک‌تر به طور مداوم مثبت نبود. در مورد ایستگاه نزدیکتر، در حالی که سطح فعالیت میانگین مثبتی داشت، این تنها تحت تأثیر چند نمونه با مقادیر بسیار بالا قرار گرفت. به این ترتیب، به طور کلی، هیچ واگرایی آماری معنی‌داری با خط پایه برای این خوشه وجود نداشت، که نشان می‌دهد این ناکارآمدی‌های بالقوه ناشی از فعالیت زیاد نیست، بلکه توسط عوامل دیگر ایجاد می‌شود. این تنها تحت تأثیر چند نمونه با مقادیر بسیار بالا قرار گرفت. به این ترتیب، به طور کلی، هیچ واگرایی آماری معنی‌داری با خط پایه برای این خوشه وجود نداشت، که نشان می‌دهد این ناکارآمدی‌های بالقوه ناشی از فعالیت زیاد نیست، بلکه توسط عوامل دیگر ایجاد می‌شود. این تنها تحت تأثیر چند نمونه با مقادیر بسیار بالا قرار گرفت. به این ترتیب، به طور کلی، هیچ واگرایی آماری معنی‌داری با خط پایه برای این خوشه وجود نداشت، که نشان می‌دهد این ناکارآمدی‌های بالقوه ناشی از فعالیت زیاد نیست، بلکه توسط عوامل دیگر ایجاد می‌شود.

با اعمال الگوریتم مشابه برای VMER، اما با کاهش پارامتر minpts به 100 به دلیل تعداد کمتر پاسخ‌های VMER، جدول 4 آمار سطوح فعالیت ایستگاه‌های نزدیک‌تر را برای هر خوشه منطقه نشان می‌دهد.

برخلاف مورد آمبولانس‌ها، ناکارآمدی‌های بالقوه در بین پاسخ‌های VMER کمتر و دور از دسترس است. با این وجود، شش خوشه منطقه وجود دارد که تعداد زیادی ناکارآمدی بالقوه را نشان می‌دهند. با این حال، بسیاری از آنها به طور سیستماتیک با سطوح فعالیت بالا در ایستگاه های نزدیک تر همبستگی ندارند. این دسته های متراکم از ناکارآمدی های بالقوه احتمالاً به دلیل برخی از حوزه های قضایی عملیاتی مشاهده شده توسط مدیریت است. به عنوان مثال، شکل 10 شرایط اضطراری را در خوشه Sesimbra نشان می دهد. در بیشتر این موارد اضطراری، نزدیکترین ایستگاه BIHBARRER است ، و با این حال، به طور مداوم ایستگاه BIHGO بود که اعزام را انجام داد.

4.3. RQ3: آیا می‌توان ایستگاه‌ها را با توجه به سطح فعالیت‌شان برای ارتقای قابلیت فعالیت، نمایه کرد؟

تجزیه و تحلیل قبلی نشان می دهد که برخی از ایستگاه ها احتمال بیشتری برای رنج بردن از تنگناهای واکنش اضطراری دارند. در این زمینه، ارزیابی علل بالقوه به منظور تمایز بین رخدادهایی که به دلیل سطوح بالای فعالیت (به دلیل اوج تقاضای EMS) و موارد ناشی از سایر علل بالقوه است، مرتبط است.

شکل 11 ، برای هر خوشه، نسبت سطوح فعالیت مثبت را در بین ایستگاه های نزدیک تر در پنجره های زمانی وقوع ناکارآمدی بالقوه، در مقایسه با نسبت سطوح فعالیت مثبت در بین ایستگاه های مشابه در تمام پنجره های زمانی نشان می دهد. در این میان، تفاوت ها در خوشه I (مرکزی براگا) و خوشه H (فارو) بیشتر آشکار است. این شواهد بیشتری را ارائه می دهد که به طور کلی، ایستگاه های نزدیک تر در هنگام وقوع ناکارآمدی های بالقوه شلوغ تر از حد معمول هستند.

جالب توجه است که حتی اگر ناکارآمدی‌های بالقوه با سطوح فعالیت بالاتر در ایستگاه‌های نزدیک‌تر همبستگی دارند، همچنین موارد قابل توجهی وجود دارد که ایستگاه‌های نزدیک‌تر دارای سطوح فعالیت منفی (کمتر از حد معمول شلوغ‌تر) هستند. برای بررسی بیشتر این موضوع، می توان سطوح فعالیت هر ایستگاه را تجزیه کرد. به عنوان مثال، با در نظر گرفتن خوشه مرکزی براگا، جدول 5 فهرستی از ایستگاه های نزدیک تر به شرایط اضطراری درگیر در ناکارآمدی های بالقوه را نشان می دهد.

از اینجا می‌توان دید که از هر چهار ایستگاه، سه ایستگاه در صورت وجود ناکارآمدی‌های بالقوه، دارای سطوح فعالیت بالایی هستند. استثنا BIBRAGA2 است که سطح فعالیت متوسط نسبتاً پایینی دارد. همچنین این ایستگاه تنها در 66/32 درصد از موارد ناکارآمدی بالقوه سطح فعالیت مثبت داشت. این نشان می دهد که به طور کلی، این ایستگاه قادر به پاسخگویی به شرایط اضطراری نیست، نه به دلیل بار زیاد، بلکه به دلیل عوامل ناشناخته دیگر، مانند نامنظم بودن برنامه خدمات، کمبود پرسنل یا سایر دلایل وابسته به زمینه. با این وجود، تجسم این ایستگاه ها برای ذینفعان مهم است تا بینش بهتری نسبت به پویایی ناکارآمدی های بالقوه در سیستم به دست آورند. در واقع، BIBRAGA2ایستگاه در برخی دوره‌های زمانی بی‌نظمی‌های آشکاری در پاسخ دارد، همانطور که در شکل 12 نشان داده شده است ، جایی که تعداد پاسخ‌ها در ژوئن 2019 به وضوح کم شد. تصمیمات عملیاتی آگاهانه یا دلایل دیگر.

به طور کلی، برای آمبولانس ها، 43673 از 78817 ناکارآمدی بالقوه شناسایی شده (55.41٪) با میانگین سطح فعالیت مثبت در ایستگاه های نزدیک تر همراه است. برای VMER، 3668 از 5176 ناکارآمدی بالقوه (58.53٪) با میانگین سطح فعالیت مثبت همراه است.

5. نتیجه گیری ها

در این مقاله، ما رویکردی را برای کشف و تجزیه و تحلیل ناکارآمدی‌های بالقوه در داده‌های پاسخ اضطراری پزشکی ارائه کردیم و آن را برای داده‌های EMS دنیای واقعی از سرزمین اصلی پرتغال اعمال کردیم. در این کار، ما مشارکت های زیر را انجام می دهیم:

1.: ما یک رویکرد قوی و کارآمد را برای شناسایی ناکارآمدی‌های بالقوه در داده‌های واکنش اضطراری معرفی می‌کنیم که به تفاوت‌ها در حوزه‌های پوشش ایستگاه‌ها حساس است. ابزاری به نام DAPI برای این منظور در دسترس است.
2.: علاوه بر این، رویکرد مذکور قادر به انجام تحلیل‌های آماری بر روی گلوگاه‌های پاسخ در رابطه با سطوح فعالیت ایستگاه با هدف ارزیابی علل بالقوه است. DAPI قادر است این ارزیابی را فقط در حضور اطلاعات اعزام مکانی-زمانی انجام دهد، بنابراین برای سیستم‌های EMS با حداقل سوابق داده‌های اضطراری تاریخی قابل استفاده است.
3.: ما امکان تجسم ناکارآمدی‌های بالقوه در نقشه‌های تعاملی را تحت یک ردپای فضایی-زمانی قابل پارامترسازی ارائه می‌کنیم. DAPI این امکانات گرافیکی را با تضمین اهمیت آماری یکپارچه می کند و به عنوان یک ابزار پشتیبانی تصمیم گیری ارزشمند برای سهامداران EMS عمل می کند.

کاربرد DAPI در سطح ملی، با استفاده از مطالعه موردی پرتغالی، دو مشاهدات مهم را بیشتر نشان داد:

–: اکثر ناکارآمدی‌های بالقوه به طور قابل‌توجهی با سطوح فعالیت بالا در ایستگاه‌های نزدیک‌تر برای داده‌های آمبولانس و VMER در سال‌های مختلف مرتبط است.
–: به نظر می رسد ناکارآمدی های بالقوه از نظر جغرافیایی بر اساس خوشه های متراکم قرار دارند. برخی از خوشه‌ها شواهدی از ارتباط بین ناکارآمدی‌های بالقوه و سطوح فعالیت بالا را نشان می‌دهند، در حالی که برخی از خوشه‌ها اینطور نیستند، که نشان می‌دهد ناکارآمدی‌ها با برخی از عوامل ناشناخته مرتبط هستند.

این مطالعه ارزش کشف و تجسم دانش را برای داده های تاریخی غنی، به ویژه پاسخ های فوریت های پزشکی برجسته می کند. ابزار پیشنهادی می‌تواند ورودی‌های ارزشمندی را برای کمک به مدیریت EMS در چندین بخش ارائه دهد. رویکرد پیشنهادی در تقویت جنبه‌های مختلف واکنش اضطراری کاربرد دارد. در برنامه ریزی اعزام آمبولانس، می توان از آن برای انتخاب استراتژی های اعزام مناسب و هدفمند برای به حداقل رساندن ناکارآمدی در مناطق خاص استفاده کرد. در مکان‌یابی وسایل نقلیه و مسیریابی، می‌توان از آن به عنوان مبنایی برای تصمیم‌گیری در مورد جابجایی وسیله نقلیه و ایستگاه، یا در تصمیم‌گیری برای قرارگیری ایستگاه‌های جدید استفاده کرد. الگوهای سطح فعالیت ایستگاه ها می تواند به عنوان راهنمایی برای برنامه ریزی تخلیه بیمارستان یا پاسخ های بشردوستانه استفاده شود. علاوه بر این، در حالی که رویکرد خود را با استفاده از داده های EMS پرتغالی به عنوان مطالعه موردی نشان دادیم، پتانسیلی برای استفاده از این رویکرد در سیستم های EMS و سایر حوزه ها نیز وجود دارد. برای مثال، می‌توان آن را در حوزه‌هایی که حول تخصیص خدمات مکانی-زمانی متمرکز هستند، مانند تحویل کالا یا پیشگیری از جرم اعمال کرد.

در نهایت، ما برخی از جهت‌ها را برای کار آینده ارائه می‌کنیم: اول، ادغام عوامل زمینه‌ای مانند شرایط جاده (ترافیک، بسته شدن جاده)، شرایط آب و هوایی، و رویدادهای محلی (جشنواره‌ها، رویدادهای ورزشی) در فرآیند کشف ناکارآمدی‌های بالقوه. دوم، در نظر گرفتن مراحل بعدی در واکنش اضطراری، مانند انتقال بیمار به بیمارستان و اقدامات پس از آن. سوم، توسعه تجسم و ابزارهای پشتیبانی تصمیم گیری در زمان واقعی برای ذینفعان EMS، که می تواند به مداخلات پیشگیرانه تر در سیاست های واکنش اضطراری منجر شود.

منابع

Sheu, JB یک مدل جدید تخصیص منابع پویا برای عملیات توزیع لجستیک شهری پاسخگو به تقاضا. ترانسپ Res. بخش لجستیک. ترانسپ Rev. 2006 , 42 , 445-472. [ Google Scholar ] [ CrossRef ]
امین زادگان، س. تمنایی، م. فاضلی، م. مشکل برنامه ریزی تولید و حمل و نقل یکپارچه با تصمیمات پذیرش سفارش و تخصیص منابع. Appl. محاسبات نرم. 2021 , 112 , 107770. [ Google Scholar ] [ CrossRef ]
آراجو، ا. کاچو، ن. بزرا، ال. ویرا، سی. بورخس، جی. به سوی چارچوبی برای شناسایی نقاط داغ جرم برای برنامه ریزی گشت. در مجموعه مقالات بیستمین کنفرانس بین المللی IEEE 2018 در مورد محاسبات و ارتباطات با عملکرد بالا، اکستر، انگلستان، 28 تا 30 ژوئن 2018؛ صص 1256-1263. [ Google Scholar ]
موخوپادحیای، ع. پتت، جی. وزیری زاده، س.م. لو، دی. جیمز، ای. ال سعید، س. بارود، ح. وروبیچیک، ی. کوچندرفر، م. Dubey, A. مروری بر مدل‌های پیش‌بینی حادثه، تخصیص منابع و اعزام برای مدیریت اضطراری. اسید. مقعدی قبلی 2022 ، 165 ، 106501. [ Google Scholar ] [ CrossRef ] [ PubMed ]
راتور، MM; احمد، ع. پل، آ. وان، جی. ژانگ، دی. سیستم پاسخگویی فوری پزشکی در زمان واقعی: بهره‌برداری از اینترنت اشیا و داده‌های بزرگ برای سلامت عمومی. جی. مد. سیستم 2016 ، 40 ، 283. [ Google Scholar ] [ CrossRef ] [ PubMed ]
یو، دی. یین، جی. Wilby, RL; لین، SN; Aerts، JC; لین، ن. لیو، ام. یوان، اچ. چن، جی. پرودوم، سی. و همکاران اختلال در واکنش اضطراری به جمعیت های آسیب پذیر در هنگام سیل. نات حفظ کنید. 2020 ، 3 ، 728-736. [ Google Scholar ] [ CrossRef ]
کارلسون، JN; کارنز، سی. مان، NC; E. Jacobson، K. دای، م. کولران، سی. وانگ، HE اقدامات انجام شده توسط خدمات فوریت های پزشکی در ایالات متحده. پیش بیمارستانی ظهور. مراقبت 2016 ، 20 ، 15-21. [ Google Scholar ] [ CrossRef ]
هندرسون، اس جی. میسون، AJ برنامه ریزی خدمات آمبولانس: شبیه سازی و تجسم داده ها. در تحقیقات عملیات و مراقبت های بهداشتی ; Springer: برلین/هایدلبرگ، آلمان، 2005; صص 77-102. [ Google Scholar ]
Boutilier, JJ; Chan، بهینه سازی پاسخ اضطراری آمبولانس TC در کشورهای در حال توسعه. اپراتور Res. 2020 ، 68 ، 1315-1334. [ Google Scholar ] [ CrossRef ]
فراری، تی. کامارا، MVO؛ ناسی، سی دی; ریبیرو، جنرال موتورز; کاستا جونیور، آر آر. ریبیرو جونیور، سی. Bilate، A. تجزیه و تحلیل محل پایگاه های اعزام آمبولانس نجات: مطالعه موردی در ریودوژانیرو، برزیل. Geogr. مقعدی 2018 ، 50 ، 397-421. [ Google Scholar ] [ CrossRef ]
براتکورن، ال. لاپورت، جی. Semet، F. مدل های مکان و جابجایی آمبولانس. یورو جی. اوپر. Res. 2003 ، 147 ، 451-463. [ Google Scholar ] [ CrossRef ]
تالاریکو، ال. مایزل، اف. سورنسن، K. مسیریابی آمبولانس برای پاسخ به بلایا با گروه های بیمار. محاسبه کنید. اپراتور Res. 2015 ، 56 ، 120-133. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
تاسون، جی. Choudhury, S. یک بررسی جامع در مورد مسیریابی آمبولانس و مشکلات مکان. arXiv 2020 ، arXiv:1603.00278. [ Google Scholar ]
بیش، DR; آگکا، ای. گلیک، آر. پشتیبانی تصمیم برای تخلیه بیمارستان و واکنش اضطراری. ان اپراتور Res. 2014 ، 221 ، 89-106. [ Google Scholar ] [ CrossRef ]
یزدانی، م. مجتهدی، م. لوسمور، ام. ساندرسون، دی. Dixit، V. مدل سازی تخلیه بیمارستان: بررسی ادبیات انتقادی در مورد دانش فعلی و شکاف های تحقیقاتی. بین المللی J. کاهش خطر بلایا. 2021 , 66 , 102627. [ Google Scholar ] [ CrossRef ]
وانگ، دی. گوا، دی. ژانگ، اچ. تجسم داده های زمانی مکانی در مدیریت اضطراری: نمایی از تصمیم مبتنی بر داده. در مجموعه مقالات سومین کارگاه ACM SIGSPATIAL در مدیریت اضطراری با استفاده از، ساحل، کالیفرنیا، ایالات متحده آمریکا، 7 تا 10 نوامبر 2017. صص 1-7. [ Google Scholar ]
دوسه، اف. جونیور، PS; Alves، AT; نوایس، آر. ویرا، وی. Mendonça، M. تجسم اطلاعات برای مدیریت اضطراری: مطالعه نقشه برداری سیستماتیک. سیستم خبره Appl. 2016 ، 45 ، 424-437. [ Google Scholar ] [ CrossRef ]
آرینگیری، ر. برونی، من؛ خداپرستی، س. ون اسن، خدمات پزشکی اورژانس JT و فراتر از آن: پرداختن به چالش های جدید از طریق بررسی ادبیات گسترده. محاسبه کنید. اپراتور Res. 2017 ، 78 ، 349-368. [ Google Scholar ] [ CrossRef ]
سودتاچات، ک. مایورگا، من؛ توصیه‌های McLay، LA برای اعزام وسایل نقلیه اضطراری تحت واکنش چند لایه از طریق شبیه‌سازی. بین المللی ترانس. اپراتور Res. 2014 ، 21 ، 581-617. [ Google Scholar ] [ CrossRef ]
یون، اس. سیاست های اعزام دینامیک آلبرت، لس آنجلس برای واکنش اضطراری با انواع مختلف وسایل نقلیه. ترانسپ Res. بخش لجستیک. ترانسپ Rev. 2021 , 152 , 102405. [ Google Scholar ] [ CrossRef ]
بودج، اس. اینگولفسون، آ. Erkut، E. تقریب احتمالات اعزام وسیله نقلیه برای سیستم های خدمات اضطراری با زمان های سرویس خاص مکان و چندین واحد در هر مکان. اپراتور Res. 2009 ، 57 ، 251-255. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
تیام لی، TJZ; هنریکس، آر. کاستا، جی. Manquinho، VM; گالارداس، اچ. تلفیق رویدادهای اورژانس پزشکی عظیم با منابع داده‌های زمینه موقعیتی ناهمگن. در مجموعه مقالات کارگاه های آموزشی EDBT/ICDT، ادینبورگ، انگلستان، 29 مارس تا 1 آوریل 2022. [ Google Scholar ]
بلانگر، وی. رویز، ا. سوریانو، پی. مدل‌های بهینه‌سازی اخیر و روندها در مکان، جابجایی، و اعزام خودروهای فوریت‌های پزشکی. یورو جی. اوپر. Res. 2019 ، 272 ، 1-23. [ Google Scholar ] [ CrossRef ]
تیووز، ن. Houtum، GJV; Zhang، Y. بهبود اعزام آمبولانس با یادگیری ماشینی و شبیه سازی. در مجموعه مقالات کنفرانس مشترک اروپایی در مورد یادگیری ماشین و کشف دانش در پایگاه‌های داده، بیلبائو، اسپانیا، 13 تا 17 سپتامبر 2021؛ اسپرینگر: برلین/هایدلبرگ، آلمان؛ صص 302-318. [ Google Scholar ]
لیو، ک. لی، ایکس. Zou، CC; هوانگ، اچ. Fu, Y. اعزام آمبولانس از طریق آموزش تقویت عمیق. در مجموعه مقالات بیست و هشتمین کنفرانس بین المللی پیشرفت در سیستم های اطلاعات جغرافیایی، سیاتل، WA، ایالات متحده آمریکا، 3 تا 6 نوامبر 2020؛ صص 123-126. [ Google Scholar ]
راوتن اشتراوس، ام. مارتین، ال. مینر، اس. اعزام آمبولانس در طول یک بیماری همه گیر: معاوضه های دسته بندی بیماران و تخصیص آمبولانس ها. یورو جی. اوپر. Res. 2021; در مطبوعات . [ Google Scholar ]
نوردین، NAM؛ کدیر، ن. زهارودین، ز. Nordin, NA کاربرد الگوریتم A* در مسیریابی آمبولانس. در مجموعه مقالات کنفرانس IEEE 2011 در علوم انسانی، علوم و مهندسی، پنانگ، مالزی، 5-6 دسامبر 2011. صص 855-859. [ Google Scholar ]
Repoussis، PP; Paraskevopoulos، DC; وازاکوپولوس، آ. Hupert, N. بهینه سازی آمادگی اضطراری و استفاده از منابع در حوادث تلفات جمعی. یورو جی. اوپر. Res. 2016 ، 255 ، 531-544. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
تلیلی، تی. حرزی، م. رویکرد مبتنی بر ازدحام کریچن، اس. برای حل مشکل مسیریابی آمبولانس. Procedia Comput. علمی 2017 ، 112 ، 350-357. [ Google Scholar ] [ CrossRef ]
یزدانی، م. مجتهدی، م. لوسمور، ام. ساندرسون، دی. چارچوب مدل‌سازی برای طراحی یک سیستم پشتیبانی تخلیه برای زیرساخت‌های مراقبت‌های بهداشتی در پاسخ به رویدادهای سیل‌های بزرگ. Prog. فاجعه علمی. 2022 ، 13 ، 100218. [ Google Scholar ] [ CrossRef ]
یزدانی، م. مجتهدی، م. Loosemore, M. افزایش پاسخ تخلیه به بلایای شدید آب و هوایی با استفاده از سیستم های حمل و نقل عمومی: یک رویکرد شبیه شناسی جدید. جی. کامپیوتر. دس مهندس 2020 ، 7 ، 195-210. [ Google Scholar ] [ CrossRef ]
رامبا، تی. Nozick، LK; دیویدسون، آر. یی، دبلیو. یانگ، ک. یک مدل بهینه‌سازی تصادفی برای تخلیه مرحله‌ای بیمارستان در طول طوفان. ترانسپ Res. بخش لجستیک. ترانسپ Rev. 2021 , 151 , 102321. [ Google Scholar ] [ CrossRef ]
کیم، کی. کوتان اوغلو، ای. Hasenbein، JJ; وو، وای؛ یانگ، ZL یک چارچوب مدل‌سازی تخلیه بیمار در مقیاس بزرگ با استفاده از تولید سناریو و بهینه‌سازی تصادفی. در مجموعه مقالات کنفرانس سالانه IISE، نیواورلئان، لس آنجلس، ایالات متحده، 30 مه تا 2 ژوئن 2020. [ Google Scholar ]
کمپبل، BD; Mete, HO; فرنس، تی. وگهورست، اس. Zabinsky، Z. برنامه ریزی و آموزش واکنش اضطراری از طریق شبیه سازی تعاملی و تجسم با پشتیبانی تصمیم. در مجموعه مقالات کنفرانس IEEE 2008 در زمینه فناوری‌های امنیت داخلی، والتهام، MA، ایالات متحده آمریکا، 12 تا 13 مه 2008. صص 176-180. [ Google Scholar ]
وو، آ. کانورتینو، جی. گانو، سی. کارول، جی.ام. Zhang, XL پشتیبانی از حس مشارکتی در مدیریت اضطراری از طریق تجسم جغرافیایی. بین المللی J. Hum.-Comput. گل میخ. 2013 ، 71 ، 4-23. [ Google Scholar ] [ CrossRef ]
ژانگ، ا. Qi، Q. به اشتراک گذاری و تجسم اطلاعات پاسخ اضطراری مبتنی بر جیانگ، L. GeoRSS. در مجموعه مقالات سومین کنفرانس بین المللی معناشناسی، دانش و شبکه (SKG 2007)، شیان، چین، 29 تا 31 اکتبر 2007. صص 596-597. [ Google Scholar ]
وانگ، پی. اسقف، آی. استوک، ج. تجسم داده‌های بی‌درنگ در محیط‌های مجازی مشارکتی برای واکنش اضطراری. در مجموعه مقالات کنفرانس بین المللی دوسالانه موسسه نقشه برداری و علوم فضایی، آدلاید، موسسه نقشه برداری و علوم فضایی، آدلاید، استرالیا، 28 سپتامبر تا 2 اکتبر 2009. ص 435-441. [ Google Scholar ]
کیم، سی. جانگ، ی. ملما، ا. ایبرت، دی.اس. Collins, T. تجزیه و تحلیل بصری در دستگاه های تلفن همراه برای پاسخ اضطراری. در مجموعه مقالات سمپوزیوم IEEE 2007 در علم و فناوری تجزیه و تحلیل بصری، ساکرامنتو، کالیفرنیا، ایالات متحده آمریکا، 30 اکتبر تا 1 نوامبر 2007. صص 35-42. [ Google Scholar ]
اونوراتی، ت. دیاز، پی. Carrion، B. از شبکه های اجتماعی تا مراکز عملیات اضطراری: یک رویکرد تجسم معنایی. ژنرال آینده. محاسبه کنید. سیستم 2019 ، 95 ، 829–840. [ Google Scholar ] [ CrossRef ]
رودی جونیور، جی پی؛ الکساندروف، AW; رایک، جی. برینزیار، ت. ملکی، ق. سواتزل، وی. دوزنبری، دبلیو. متر، ای جی. الکساندروف، AV تجسم زمین فضایی ارسال‌های واحد سکته مغزی تلفن همراه: روشی برای بهینه‌سازی عملکرد خدمات. مصاحبه نورول. 2018 ، 7 ، 464-470. [ Google Scholar ] [ CrossRef ]
اسپاتنکووا، او. دمشار، یو. نقشه‌های خودسازماندهی کریسپ، جی‌ام برای اکتشاف داده‌های واکنش اضطراری مکانی-زمانی. در مجموعه مقالات ژئومحاسبات، گالوی، ایرلند، 3-5 سپتامبر 2007. جلد 2007. [ Google Scholar ]
راشد، EA; کودرا، س. شیراکامی، ح. کاواگوچی، آر. واتانابه، ک. Hirata، A. کشف دانش از اعزام آمبولانس اضطراری در طول COVID-19: مطالعه موردی شهر ناگویا، ژاپن. جی. بیومد. به اطلاع رساندن. 2021 , 117 , 103743. [ Google Scholar ] [ CrossRef ]
اوگالده، BH; Vinluan، AA; Carpio، JT Graph نمایش شبکه جاده ای برای افراد دارای اختلال حرکتی. در مجموعه مقالات چهارمین کنفرانس بین المللی 2021 در زمینه فناوری اطلاعات و رایانه (ICICT)، کاهولوی، HI، ایالات متحده آمریکا، 11 تا 14 مارس 2021؛ صص 194-198. [ Google Scholar ]
دوویدی، AK; ملاواراچچی، آی. آلوارادو، LA تجزیه و تحلیل مطالعات حجم نمونه کوچک با استفاده از آزمون ناپارامتری بوت استرپ با روش نمونه گیری مجدد تلفیقی. آمار پزشکی 2017 ، 36 ، 2187-2205. [ Google Scholar ] [ CrossRef ]
استر، ام. کریگل، اچ پی؛ ساندر، جی. Xu, X. یک الگوریتم مبتنی بر چگالی برای کشف خوشه ها در پایگاه داده های فضایی بزرگ با نویز. در مجموعه مقالات دومین کنفرانس بین المللی کشف دانش و داده کاوی، پورتلند، OR، ایالات متحده آمریکا، 2 تا 4 اوت 1996. جلد 96، ص 226–231. [ Google Scholar ]

شکل 1. مثالی از ناکارآمدی بالقوه: یک ایستگاه دورتر با وجود داشتن دو ایستگاه دیگر که به آن نزدیکتر هستند، به یک موقعیت اضطراری پاسخ داد. نقشه و مسیرها بر اساس OpenStreetMap هستند.

شکل 2. مراحل کشف و تجزیه و تحلیل ناکارآمدی های بالقوه.

شکل 3. پاسخ هایی که توسط یک ایستگاه در یک دوره شش ماهه انجام شده است، که ناکارآمدی بالقوه نامزد را برای مقادیر مختلف نشان می دهد.

θ

شکل 4. رابطه بین فاصله هاورسین و فاصله واقعی جاده (بر حسب کیلومتر).

شکل 5. توزیع پاسخ به ازای هر وسیله نقلیه (RPV) در روزهای مختلف در طول یک بازه زمانی دلخواه انتخاب شده برای سه ایستگاه، نشان دهنده تفاوت در میانگین و تنوع.

شکل 6. مثالی از ناکارآمدی بالقوه که در آن دو ایستگاه نزدیکتر در 2 ساعت گذشته شلوغ تر از حد معمول هستند. نقشه و مسیرها بر اساس OpenStreetMap هستند.

شکل 7. توزیع سطح فعالیت ایستگاه های نزدیکتر در زمینه ناکارآمدی های بالقوه برای سال 2019. شمارش هیستوگرام به هزار است.

شکل 8. خوشه های متراکم از وقوع ناکارآمدی بالقوه در میان آمبولانس ها در سال 2019.

شکل 9. تجسم خوشه‌های متراکم از ناکارآمدی‌های بالقوه که در روزهای خاصی در سال 2019 رخ داده است، سطوح فعالیت ایستگاه‌هایی را نشان می‌دهد که به شرایط اضطراری مورد نظر نزدیک‌تر هستند.

شکل 10. یک خوشه متراکم از ناکارآمدی های بالقوه در منطقه Sesimbra.

شکل 11. نسبت سطوح فعالیت مثبت در بین ایستگاه های نزدیک تر در پنجره های زمانی بازده بالقوه در مقابل تمام پنجره های زمانی.

شکل 12. تعداد پاسخ های ارائه شده توسط ایستگاه BIBBRAGA2 برای ژانویه و ژوئن 2019.

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

کلید واژه ها:

1. مقدمه

2. کارهای مرتبط