Spatiotemporal AED Location Optimization
Notice bibliographique
Résumé
Background: Mathematical optimization can be used to plan future AED placement to maximize out-of-hospital cardiac arrest (OHCA) coverage. Many public access AEDs are placed in locations without 24/7 access. AED coverage can be overestimated unless temporal availability is considered. Objective: To develop a new spatiotemporal AED location optimization model that accounts for both spatial and temporal information. Methods: We identified all atraumatic public-location OHCAs occurring in Toronto, Canada from Jan. 2006 – Aug. 2014. We gathered location and operating hours data for 4898 buildings that were used as potential sites for AED placement. We extended a previously published spatial optimization model, which identifies locations to place AEDs that maximize the number of historical OHCAs occurring within 100 m of an AED. The new spatiotemporal model finds AED locations that maximize the number of OHCAs occurring within 100 m of an available AED, considering when the OHCAs occurred (“actual coverage”). We then compared the spatial and spatiotemporal models on actual coverage of out-of-sample OHCAs using 10-fold cross validation. Statistical analysis was performed using McNemar’s test. Results: We identified 2440 atraumatic public-location OHCAs. AED locations chosen by the spatiotemporal model outperformed those chosen by the spatial model by 26.1% in actual coverage (p<0.001). The figure shows coverage improvement at all times of day: daytime (11.2%), evening (37.4%), and night (292.3%). Equivalently, 40.2% fewer AEDs are needed when using the spatiotemporal model to reach the same level of actual coverage provided by AEDs located according to the spatial model. Conclusion: Spatiotemporal optimization can maximize actual OHCA coverage by accounting for AED availability when identifying future AED locations. The largest gains occurred during the evening and night, which is when the largest coverage losses were experienced by Toronto’s existing AEDs.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».