論文の概要: Optimization-Augmented Machine Learning for Vehicle Operations in Emergency Medical Services

• arxiv url: http://arxiv.org/abs/2503.11848v1
• Date: Fri, 14 Mar 2025 20:15:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 15:59:37.641290
• Title: Optimization-Augmented Machine Learning for Vehicle Operations in Emergency Medical Services
• Title（参考訳）: 救急医療における車両運用のための最適化強化機械学習
• Authors: Maximiliane Rautenstrauß, Maximilian Schiffer,
• Abstract要約: 救急医療サービス(EMS)システムにとって、法的要件を満たして患者にタイムリーにサービスを提供するための応答時間を最小化することが重要である。 我々は,オンライン救急搬送・再配備政策を学習する中央制御型EMSシステムについて検討した。 本稿では,救急搬送と再配置のための効率的なポリシーを学習できる,新しい最適化強化機械学習手法を提案する。
• 参考スコア（独自算出の注目度）: 2.5690340428649328
• License:
• Abstract: Minimizing response times to meet legal requirements and serve patients in a timely manner is crucial for Emergency Medical Service (EMS) systems. Achieving this goal necessitates optimizing operational decision-making to efficiently manage ambulances. Against this background, we study a centrally controlled EMS system for which we learn an online ambulance dispatching and redeployment policy that aims at minimizing the mean response time of ambulances within the system by dispatching an ambulance upon receiving an emergency call and redeploying it to a waiting location upon the completion of its service. We propose a novel combinatorial optimization-augmented machine learning pipeline that allows to learn efficient policies for ambulance dispatching and redeployment. In this context, we further show how to solve the underlying full-information problem to generate training data and propose an augmentation scheme that improves our pipeline's generalization performance by mitigating a possible distribution mismatch with respect to the considered state space. Compared to existing methods that rely on augmentation during training, our approach offers substantial runtime savings of up to 87.9% while yielding competitive performance. To evaluate the performance of our pipeline against current industry practices, we conduct a numerical case study on the example of San Francisco's 911 call data. Results show that the learned policies outperform the online benchmarks across various resource and demand scenarios, yielding a reduction in mean response time of up to 30%.
• Abstract（参考訳）: 救急医療サービス(EMS)システムにとって、法的要件を満たして患者にタイムリーにサービスを提供するための応答時間を最小化することが重要である。 この目標を達成するには、救急車を効率的に管理するために運用上の意思決定を最適化する必要がある。 そこで本研究では,救急搬送時に救急車を発送し,サービス完了時に待機場所に再配置することで,救急車の平均応答時間を最小化することを目的とした,オンライン救急車派遣・再配置政策を学習する中央制御型EMSシステムについて検討する。 本稿では,救急搬送と再配置のための効率的なポリシを学習可能な,新しい組合せ最適化強化機械学習パイプラインを提案する。 この文脈では、トレーニングデータを生成するための基礎となる全情報問題の解法をさらに示し、検討された状態空間に対する分布ミスマッチを軽減し、パイプラインの一般化性能を改善する拡張スキームを提案する。 トレーニング中の強化に依存する既存の方法と比較して、当社のアプローチは、競争力のあるパフォーマンスを保ちながら、最大87.9%のランタイムの大幅な削減を実現しています。 現在の業界慣行に対してパイプラインの性能を評価するため、サンフランシスコの911コールデータの例について数値ケーススタディを実施します。 その結果、学習したポリシは、さまざまなリソースや需要シナリオでオンラインベンチマークよりも優れており、平均応答時間が最大30%削減されていることがわかった。

関連論文リスト

• Self-Regulation and Requesting Interventions [63.5863047447313]
  介入要求のための"helper"ポリシーをトレーニングするオフラインフレームワークを提案する。 PRMによる最適介入タイミングを判定し,これらのラベル付き軌道上でヘルパーモデルを訓練する。 このオフラインアプローチは、トレーニング中のコストのかかる介入コールを大幅に削減する。
  論文  参考訳（メタデータ） (2025-02-07T00:06:17Z)
• Multi-Agent Reinforcement Learning with Hierarchical Coordination for Emergency Responder Stationing [8.293120269016834]
  緊急対応者管理システム(ERM)は、医療援助の要請を受けたときに対応者を派遣する。 ERMシステムは、任意のギャップをカバーするために予め指定された待機場所間で応答器を積極的に再配置することができる。 プロアクティブな再配置における最先端のアプローチは、空間分解とオンラインモンテカルロ木探索に基づく階層的なアプローチである。 同じ階層的な分解に基づく新しい強化学習(RL)アプローチを導入するが、オンライン検索を学習に置き換える。
  論文  参考訳（メタデータ） (2024-05-21T21:15:45Z)
• Ambulance Demand Prediction via Convolutional Neural Networks [4.1423579563037505]
  救急医療サービスにとって、患者の待ち時間を短縮し、生存率を高めるためには、応答時間を最小化することが不可欠である。 本稿では、時系列データをヒートマップに変換して救急車需要を予測する新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 開発したCNNアーキテクチャは,既存の最先端手法や業界プラクティスを9%以上上回る性能を示した。
  論文  参考訳（メタデータ） (2023-06-08T07:29:42Z)
• Modelling Hospital Strategies in City-Scale Ambulance Dispatching [0.0]
  本稿では,大都市におけるマルチエージェント医療環境における救急搬送プロセスのモデル化とシミュレーション手法を提案する。 提案手法は,統合ゲーム理論 (GT) を用いて病院戦略を同定することに基づく。 本研究は, 対象病院のPCIに誘導されたACS患者に救急車を派遣する際の問題点について考察した。
  論文  参考訳（メタデータ） (2022-01-05T22:20:12Z)
• An Online Data-Driven Emergency-Response Method for Autonomous Agents in Unforeseen Situations [4.339510167603376]
  本稿では,オンライン・データ駆動型緊急応答方式を提案する。 自律的なエージェントに予期せぬ状況に対応する能力を提供することを目標としている。 シミュレーションされた3次元自動車運転シナリオにおけるこのアプローチの可能性を示す。
  論文  参考訳（メタデータ） (2021-12-17T18:31:37Z)
• Optimal discharge of patients from intensive care via a data-driven policy learning framework [58.720142291102135]
  退院課題は、退院期間の短縮と退院決定後の退院や死亡のリスクとの不確実なトレードオフに対処することが重要である。 本研究は、このトレードオフを捉えるためのエンドツーエンドの汎用フレームワークを導入し、最適放電タイミング決定を推奨する。 データ駆動型アプローチは、患者の生理的状態を捉えた同種で離散的な状態空間表現を導出するために用いられる。
  論文  参考訳（メタデータ） (2021-12-17T04:39:33Z)
• A Deep Value-network Based Approach for Multi-Driver Order Dispatching [55.36656442934531]
  そこで本研究では,注文発送のための深層強化学習に基づくソリューションを提案する。 DiDiの配車プラットフォーム上で大規模なオンラインA/Bテストを実施している。 その結果,CVNetは近年提案されているディスパッチ手法よりも一貫して優れていた。
  論文  参考訳（メタデータ） (2021-06-08T16:27:04Z)
• Resource Planning for Hospitals Under Special Consideration of the COVID-19 Pandemic: Optimization and Sensitivity Analysis [87.31348761201716]
  新型コロナウイルス(covid-19)パンデミックのような危機は、医療機関にとって深刻な課題となる。 BaBSim.Hospitalは離散イベントシミュレーションに基づく容量計画ツールである。 BaBSim.Hospitalを改善するためにこれらのパラメータを調査し最適化することを目指しています。
  論文  参考訳（メタデータ） (2021-05-16T12:38:35Z)
• MUSBO: Model-based Uncertainty Regularized and Sample Efficient Batch Optimization for Deployment Constrained Reinforcement Learning [108.79676336281211]
  データ収集とオンライン学習のための新しいポリシーの継続的展開はコスト非効率か非現実的かのどちらかである。 モデルベース不確実性正規化とサンプル効率的なバッチ最適化という新しいアルゴリズム学習フレームワークを提案する。 本フレームワークは,各デプロイメントの新規で高品質なサンプルを発見し,効率的なデータ収集を実現する。
  論文  参考訳（メタデータ） (2021-02-23T01:30:55Z)
• Optimal Dispatch in Emergency Service System via Reinforcement Learning [0.0]
  アメリカ合衆国では、過去40年間の消防署の医療反応が367%増加した。 本稿では, 救急搬送問題を平均コストのマルコフ決定プロセスとしてモデル化し, 最適な派遣方針を見つけるための政策反復手法を提案する。 以上の結果から,緊急対応部は最小限の費用でパフォーマンスを向上できる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-10-15T04:37:41Z)
• Transforming unstructured voice and text data into insight for paramedic emergency service using recurrent and convolutional neural networks [68.8204255655161]
  救急隊員は救急車内で限られた時間内に救命判断をしなければならないことが多い。 本研究の目的は、音声とテキストデータを自動的に融合して、救急隊員に適切な状況認識情報を提供することである。
  論文  参考訳（メタデータ） (2020-05-30T06:47:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。