Carbon Footprinting of Emergency Medical Services Systems: A Proof-of-Concept Study
Notice bibliographique
Résumé
OBJECTIVE: In this proof-of-concept study, we evaluated the availability of emergency medical services (EMS) system energy consumption data required to calculate a carbon footprint. METHODS: Two diverse North American EMS systems with more than 125,000 combined annual unit responses agreed to report their energy consumption for the last fiscal or calendar year using a data-collection tool based on Carbon Trust recommendations. They also identified the source of information (e.g., bills, logs, receipts), whether the amounts reported were directly measured or estimated, and whether any of the amounts were prorated from shared facilities (e.g., electricity for a shared office building). For this proof-of-concept study, we report only descriptive data about the availability of data and aggregate carbon emissions. RESULTS: Both systems reported diesel fuel, gasoline, and electricity consumption. One system used natural gas; one system used aviation fuel. Direct measurement of consumption using utility bills and statements was possible for these energy types. One system prorated natural gas and electricity usage; one system was able to estimate commercial air travel. Annual carbon dioxide (CO(2)) emissions for these two systems totaled 11.1 million pounds of CO(2). The largest source of CO(2) emissions was diesel fuel (39%), followed by electricity (23%). CONCLUSION: These EMS systems were able to provide the data necessary to determine their carbon footprints. Future research could include broader study to establish EMS-specific norms for carbon emissions, benchmarking of these metrics between different EMS systems, and the assessment of programs designed to reduce EMS carbon emissions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».