論文の概要: Quantifying the Impact of Ambulance Ramping: A Multi-Year Analysis of Victorian Emergency Medical Services Cases
- arxiv url: http://arxiv.org/abs/2610.00818v1
- Date: Wed, 30 Sep 2026 23:23:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:23.802186
- Title: Quantifying the Impact of Ambulance Ramping: A Multi-Year Analysis of Victorian Emergency Medical Services Cases
- Title（参考訳）: 救急医療におけるアンバランス・ランプの効果の定量化 : ビクトリア州における多年間分析
- Abstract要約: 59病院のうち10病院は50.9%から57.8%の損失がある。
治療期間は患者の明度によってほとんど変化しないが、救急車が同じ病院に着くと単調に増加する。
これらの知見は, 病院の意識的救急ルーティングにおける経験的前提条件を確立した。
- 参考スコア（独自算出の注目度）: 0.052777567033180435
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Ambulance ramping, the delay between hospital arrival and patient handover, is a critical operational bottleneck in Emergency Medical Services (EMS), yet its systemic magnitude and dynamics remain inadequately characterised at scale. This paper quantifies the scale, trajectory, and operational correlates of ramping across an entire statewide EMS system, analysing 2,850,575 ambulance attendances in Victoria, Australia from January 2020 to March 2024 using an Exploratory Data Analysis (EDA). After systematic preprocessing, an analytical cohort of 2,026,569 Emergency Department (ED) transports across 59 hospitals with ED and 79 Local Government Areas (LGA) was examined through interval decomposition, Pareto concentration, hourly cross-correlation, hospital arrival concurrency and priority-stratified operational comparisons. Cumulative Ambulance Hours Lost (AHL) totalled 1,491,127 hours, equivalent to approximately 96 ten-hour ambulance shift lost every day of the study window. Ten of 59 hospitals account for 57.8% of lost hours from 50.9% of cases. Annual losses rose 57% to a 2022 peak while transported demand fell 3.7%, indicating deterioration in per-case handover rather than growth in demand. Handover duration varies little with patient acuity, but rises monotonically with the number of ambulances arriving at the same hospital in the preceding hour, an effect persisting within every hour of the day. Hourly demand is moderately associated with ramping two to four hours later (r = 0.365). These findings establish the empirical preconditions for hospital-state aware ambulance routing.
- Abstract（参考訳）: 救急医療サービス(EMS)において、病院到着から患者の引き渡しまでの遅れであるアンバランス・ランプは、重要な運用上のボトルネックとなっているが、その体系的な大きさとダイナミクスは、大規模に不適切に特徴付けられている。
本稿では,2020年1月から2024年3月までのオーストラリア・ビクトリア州における救急隊員2,850,575人を対象に,調査データ分析(EDA)を用いて,州全体のEMSシステム全体の規模,軌道,運用上の相関関係を定量化した。
組織的前処理後, ED と 79 の地方行政区域 (LGA) を有する59 病院を対象とする救急部門 (ED) の2,026,569 輸送の分析コホートを, インターバル分解, パレト濃度, 時間的相互相関, 病院到着の同時並行性, 優先度決定操作の比較により検討した。
AHL (Cumulative Ambulance Hours Lost) は1,491,127時間であり、調査窓から毎日約96時間の救急車が失われた。
59病院のうち10病院は50.9%から57.8%の損失がある。
年間損失は57%増の2022年ピークまで上昇し、輸送需要は3.7%減少した。
ハンドオーバ期間は患者の明度によってほとんど変化しないが、前時間に同じ病院に救急車が到着すると単調に増加し、1日1時間以内に効果が持続する。
時間需要は2時間から4時間後に上昇する(r = 0.365)。
これらの知見は, 病院の意識的救急ルーティングにおける経験的前提条件を確立した。
関連論文リスト
- Global maps of travel time to emergency and tertiary hospitals [0.0]
世界の人口の96.2%が病院から1時間以内に暮らしている。
すべての施設を同等のオーバーステートとして数え、タイムクリティカルなケアにアクセスできる。
論文 参考訳（メタデータ） (2026-09-11T10:43:58Z) - Evidence-Grounded AI for Musculoskeletal Care [106.59121478639402]
OrthoPilotは、大規模言語モデル(LLM)を利用した臨床人工知能システムである。
病院のデータストリームと、継続的な筋骨格ケアのための権威的な外部知識を統合する。
81人の整形外科医に対するフルパスウェイ・リーダーによる研究で、OrthoPilotは25年の経験を持つ専門家よりも優れていた。
論文 参考訳（メタデータ） (2026-07-14T09:03:26Z) - Patient Outcome Predictions Improve Operations at a Large Hospital
Network [1.9399350450208843]
米国の大手病院ネットワークは、すべての入院患者の短期的および長期的成果を予測するため、学者やコンサルタントと協力している。
我々は,次の24時間/48時間放電の可能性を予測し,集中治療単位転送,終末期死亡,退院処分の確率を予測する機械学習モデルを開発した。
私たちは、毎朝データを抽出して予測を更新する自動パイプラインと、ユーザフレンドリなソフトウェアと、これらの患者レベルの予測を伝えるためのカラーコードアラートシステムを実装しています。
論文 参考訳（メタデータ） (2023-05-25T00:49:27Z) - A Temporal Fusion Transformer for Long-term Explainable Prediction of
Emergency Department Overcrowding [0.0]
救急省(英語: emergency Departments、略称:ED)は、ポルトガル国立衛生局(英語版)の基本的な要素である。
サービスを利用する患者の数を予測することは特に困難である。
本稿では,新しい深層学習アーキテクチャであるTemporal Fusion Transformerについて述べる。
我々は,ポルトガルの保健地域(HRA)では平均絶対過誤(MAPE)が5.90%,Root Mean Squared Error(RMSE)が84.4102人/日で予測可能であると結論づけた。
論文 参考訳（メタデータ） (2022-07-01T18:08:07Z) - Forecasting COVID-19 Counts At A Single Hospital: A Hierarchical
Bayesian Approach [59.318136981032]
一つの病院で1日当たりの入院患者数を予測するという課題について検討する。
データのカウント特性を直接キャプチャする階層型ベイズモデルをいくつか開発する。
マサチューセッツ州の8つの病院とイギリスの10の病院のパブリックデータセットに対する我々のアプローチを実証する。
論文 参考訳（メタデータ） (2021-04-14T11:58:54Z) - Secondary Use of Employee COVID-19 Symptom Reporting as Syndromic
Surveillance as an Early Warning Signal of Future Hospitalizations [0.731365367571807]
シンドロミック監視は、従業員が住んでいるコミュニティで、新型コロナウイルスの入院を予測するために使用することができる。
10の病院からなる大規模な病院ネットワークは、ニューイングランドで合計2,384のベッドと136,000の退院の原因となっている。
自動テキストメッセージングシステムを用いて, 従業員の毎日の自記症状を収集した。
論文 参考訳（メタデータ） (2020-12-10T20:58:04Z) - Effectiveness and Compliance to Social Distancing During COVID-19 [72.94965109944707]
われわれは、米国内での新型コロナウイルスの感染拡大に対する在宅勤務注文の影響を評価するために、詳細なモビリティデータを用いている。
一方向性グランガー因果性(一方向性グランガー因果性)は、家庭で毎日過ごす時間の割合の中央値から、2週間の遅れを伴うCOVID-19関連死亡件数の日数までである。
論文 参考訳（メタデータ） (2020-06-23T03:36:19Z) - Joint Prediction and Time Estimation of COVID-19 Developing Severe
Symptoms using Chest CT Scan [49.209225484926634]
術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。
提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。
提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
論文 参考訳（メタデータ） (2020-05-07T12:16:37Z)
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。