270 Mathematically optimised public access defibrillator placement – fairness or accessibility?
Notice bibliographique
Résumé
Background Mathematical optimisation can be used to maximise public access defibrillator (PAD) accessibility for out-of-hospital cardiac arrests (OHCA). It is unclear whether enforcing ‘fairness’ (defined as parity of PAD accessibilty) across city wards would impact resulting PAD accessibility compared to an unconstrained approach. Method We included all suspected OHCAs responded to by the Scottish Ambulance Service (SAS) in the cities of Glasgow, Edinburgh, Aberdeen, and Dundee between Jan. 2011 – Sept. 2017, and PADs registered with SAS as of Feb. 2020. We computed the accessibility (defined as within 100 m of OHCA) for existing PADs and developed a mathematical model to select locations for additional PADs under two scenarios: (1) select optimal locations across whole cities, and (2) select optimal locations distributed equally between city wards. Up to 20 additional PAD locations per ward were considered. For both scenarios, we compared PAD accessibility on out-of-sample OHCAs using McNemar’s test and fairness across wards using the Nash social welfare function. Results We identified 14,674 OHCA responses and 424 existing PADs. Existing PADs were within range of 1.1% of OHCAs (0.4–2.0% per city). Optimising new PAD locations per city, regardless of wards, increased PAD accessibility to 15.4% of OHCAs (14.9–17.9% per city). Constraining an equal number of PADs in each ward resulted in accessibility loss of 0.2–1.4 percentage points depending on the quantity of PADs placed (P<0.05 for 18 of 20 cases) but improved fairness values by up to 89% for smaller quantities of PADs. Conclusion Enforcing ward-level parity when selecting optimal new PAD locations results in fairer but less accessible PADs for OHCA. Conflict of interest None. Funding Grant funding was provided by the Scottish Government.
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 | 0,003 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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 ».