Drone Network Design for Cardiac Arrest Response
Notice bibliographique
Résumé
Problem definition: Our objective is to design a defibrillator-enabled drone network that augments the existing emergency medical services (EMS) system to rapidly respond to out-of-hospital cardiac arrest (OHCA). Academic/practical relevance: OHCA claims more than 400,000 lives each year in North America and is one of the most time-sensitive medical emergencies. Drone-delivered automated external defibrillators (AEDs) have the potential to be a transformative innovation in the provision of emergency care for OHCA. Methodology: We develop an integrated location-queuing model that incorporates existing EMS response times and is based on the p-median architecture, where each base constitutes an explicit [Formula: see text] queue (i.e., Erlang loss). We then develop a reformulation technique that exploits the existing EMS response times, allowing us to solve real-world instances to optimality using an off-the-shelf solver. We evaluate our solutions using a tactical simulation model that accounts for the effects of congestion and dispatching, and we use a machine-learning model to translate our response-time reductions into survival estimates. Results: Using real data from an area covering 26,000 square kilometers around Toronto, Canada, we find that a modest number of drones are required to significantly reduce response times in all regions. An objective function that minimizes average response time results in drone resources concentrated in cities, with little impact on the tail of the distribution. In contrast, optimizing for the tail of the response-time distribution produces larger and more geographically dispersed drone networks that improve response-time equity across the regions. We estimate that the response-time reductions achieved by the drone network are associated with between a 42% and 76% higher survival rate and up to 144 additional lives saved each year across the geographical region we consider. Managerial implications: Overall, this paper provides a realistic framework that can be leveraged by system designers and/or EMS personnel seeking to investigate design questions associated with a drone network. An objective function focused on improving the tail of the response-time distribution is well-suited for use in practice because the model provides equitable solutions that reduce the entire response-time distribution and corresponds to the real-world metrics, on which EMS systems are most commonly evaluated.
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 | 0,002 | 0,000 |
| 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».