Abstract 148: A Machine Learning-based Dispatch Rule for Drone-delivered Defibrillators
Notice bibliographique
Résumé
Introduction: Drone-delivered defibrillators may reduce response time for out-of-hospital cardiac arrest (OHCA). However, an optimal dispatch rule is not yet known. Methods: We identified all suspected OHCAs in Peel Region, Ontario, Canada from Jan. 2014 to Dec. 2019. We trained a neural network model to predict emergency medical services (EMS) response times using OHCA location, distance from responding ambulance, day of week and time of day. Instead of least-squares loss, our model optimized a loss function that penalized weighted errors in the dispatch decision (type I/II error). Assuming drones were deployed from three bases in the region, we calculated drone response time to each suspected OHCA using real drone specifications. Our dispatch rule dispatched a drone when its calculated response time was shorter than the predicted EMS response time. Response time was calculated as the minimum of the drone and EMS response times. The performance of our dispatch rule was compared on out-of-sample OHCAs using 5-fold cross validation to the baseline cases of (1) no drones, and (2) drone dispatch to every suspected OHCA. Statistical analysis on the median response times was performed using a right-tailed sign test. Results: We identified 4774 suspected OHCAs with a median historical EMS response time of 6.0 minutes. Using our dispatch rule, median response time was significantly shorter at 3.9 minutes (P<0.001). Drones were dispatched to 3803 cases (79.7%) and of those, drone response was faster than EMS in 3076 cases (80.9%). When the drone was not dispatched, it would have been slower than EMS in 856 cases (88.1%). Sending a drone to every suspected OHCA resulted in an identical median response time of 3.9 minutes (P<0.001), with drones arriving before EMS in 3191 cases (66.8%). Conclusion: A machine learning-based dispatch rule can achieve similar response times as a policy that dispatches a drone to all suspected OHCAs, while dispatching drones less frequently.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».