Evidence-Based Optimization of Urban Firefighter First Response to Emergency Medical Services 9-1-1 Incidents
Notice bibliographique
Résumé
INTRODUCTION: Many emergency medical services (EMS) systems dispatch nonparamedic firefighter first responders (FFRs) to selected EMS 9-1-1 calls, intending to deliver time-sensitive interventions such as defibrillation, cardiopulmonary resuscitation (CPR), and bag-mask ventilation prior to arrival of paramedics. Deciding when to send FFRs is complicated because critical cases are rare, paramedics often arrive before FFRs, and lights-and-siren responses by emergency vehicles are associated with the risk of en-route traffic collisions. OBJECTIVE: To describe a methodology allowing EMS systems to optimize their own FFR programs using local data, and reflecting local medical oversight policy and local risk-benefit opinion. METHODS: We constructed a generalized input-output model that retrospectively reviews EMS dispatch and electronic prehospital clinical records to identify a subset of Medical Priority Dispatch System (MPDS) call categories ("determinants") that maximize the opportunities for FFR interventions while minimizing unwarranted responses. Input parameters include local FFR interventions, the local FFR "first-on-scene" rate, and the locally acceptable ratio of risk to benefit. The model uses a receiver-operating characteristic (ROC) curve to identify the optimal mix of response specificity and sensitivity achieved by sending FFRs to progressively more categories of EMS calls while remaining within a defined risk-benefit ratio. The model was applied to a 16-month retrospective sample of 220,358 incidents from a large urban EMS system to compare the model's recommendations with the system's current practices. RESULTS: The model predicts that FFR lights-and-siren responses in the sample could be reduced by 83%, from 93,058 to 16,091 incidents, by confining FFR responses to 27 of 509 MPDS dispatch determinants, representing 7.3% of incidents but 58.9% of all predicted FFR interventions. Of the 93,058 incidents, another 58,275 incidents could be downgraded to safer nonemergency FFR responses and 18,692 responses could be eliminated entirely, improving the specificity of FFR response from 57.8% to 93.0%. CONCLUSIONS: This model provides a robust generalized methodology allowing EMS systems to optimize FFR lights-and-siren responses to emergency medical calls. Further validation is warranted to assess the model's generality.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 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 ».