Abstract 185: Optimization of Public Access Defibrillators Compared to Actual Deployment: An <i>In Silico</i> Trial
Notice bibliographique
Résumé
Introduction: Unguided placement of automated external defibrillators (AEDs) often leads to placements in low risk areas and locations with limited temporal availability. Mathematical optimization may improve AED placements and increase AED use in out-of-hospital cardiac arrests (OHCAs). Aim: To conduct the first in silico public AED location trial to determine whether optimization models (interventions) trained on historical OHCA data will recommend AED locations that significantly improve OHCA coverage on prospective OHCAs, compared to locations of actually deployed AEDs (control). Methods: We identified all public OHCAs of presumed cardiac cause (1994-2016) and already deployed AEDs (2007-2016) in Copenhagen, Denmark. We computed the number of OHCAs that occurred within 100m of a temporally available AED after it was deployed (“OHCA coverage”). We then divided 2007-2016 into 30-day intervals and determined the number of AEDs deployed in each interval. Using previously validated optimization models, we determined an equal number of optimal AED locations in each time interval, either indoor locations with actual availability (intervention #1) or outdoor locations with 24/7 availability (intervention #2). OHCA coverage was calculated for the interventions similarly to the already deployed AEDs. Finally, we repeated the analysis 25 times to evaluate sensitivity and generate confidence intervals, by randomizing the location and time of the OHCAs. Results: A total of 2,149 public OHCAs (744 between 2007-2016) and 1,573 registered AEDs were identified. OHCA coverage of actually deployed AEDs was 22.3% (166 of 744 OHCAs). For optimally located indoor AEDs, mean OHCA coverage was 32.6% (mean: 242.5 OHCAs; 95% CI: 239.7 - 245.3). For optimally located outdoor AEDs, mean OHCA coverage was 43.9% (mean: 326.6 OHCAs; 95% CI: 324.0 - 329.2). Conclusions: Optimizing AED locations in a real-time deployment approach mimicking the time horizon of actual AED deployment in Copenhagen, Denmark results in significantly higher OHCA coverage compared to the actual AEDs deployed. Between the two interventions, optimal locations that are 24/7 available significantly outperform optimal indoor locations with more limited temporal availability.
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 | 0,007 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,006 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».