[論文レビュー] Response time optimization for drone-delivered automated external defibrillators

Justin J. Boutilier, Timothy C. Y. Chan|arXiv (Cornell University)|Jul 31, 2019

Facility Location and Emergency Management参考文献 37被引用数 5

ひとこと要約

本稿では、p-メディアン立地・キューイングモデルにM/M/dキューとベースラインの応答時間を取り入れた統合的シミュレーション最適化フレームワークを提案し、ドローンによるAED配達の応答時間目標を満たしつつドローン機数を最小化することを目的としている。この手法により、都市部および地方部におけるドローン基地の最適配置と規模設定が可能となり、応答時間が著しく短縮され、公平性の高いカバー範囲が実現される。

ABSTRACT

Out-of-hospital cardiac arrest (OHCA) claims over 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. In this paper, we propose a simulation-optimization framework to minimize the total number of drones required to meet a pre-specified response time goal, while guaranteeing a sufficient number of drones are located at each base. To do this, we develop a location-queuing model that is based on the p-median architecture, where each base constitutes an explicit M/M/d queue, and that incorporates estimated baseline response times to the demand points. We then develop a reformulation technique that exploits the baseline response times, allowing us to solve real-world instances to optimality using an off-the-shelf solver. To test our model, we develop a two-stage machine learning approach to simulate both the locations and baseline response times for future OHCAs. We demonstrate the application of our framework using eight years of real data from an area covering 26,000 square kilometres around Toronto, Canada. A modest number of drones are required to significantly reduce response times in all regions. Furthermore, an objective function focused on improving the 90th percentile is well-suited for use in practice because the model reduces the entire response time distribution, while providing equitable coverage in both cities and rural areas. Overall, this paper provides a realistic framework that can be leveraged by healthcare providers seeking to implement a drone network.

研究の動機と目的

• ドローンによるAED配達を活用して、救急外来外での心停止（OHCA）死亡率を低減するための応答時間を短縮するという、極めて重要なニーズに対応する。
• 従来のカバレッジベースのモデルの限界を克服し、任意のカバレッジ半径に依存せず、応答時間を明示的に最小化するメディアン型最適化を採用する。
• システムの混雑状態（M/M/dキューを介して）を立地意思決定に直接統合し、非効率な段階的最適化を回避する。
• 現実のベースライン911応答時間を組み込むことで、ドローンネットワークが既存のEMSインfraに適切に統合され、地理的ギャップを的確に特定できるようにする。
• 都市部および地方部の両地域において、公平性と効率性の両立を図る実用的でスケーラブルなフレームワークを、医療提供者に提供する。

提案手法

• 各ドローン基地をM/M/dキューとしてモデル化したp-メディアンアーキテクチャに基づく立地・キューイングモデルを開発し、混雑の影響を捉える。
• 歴史的911データから推定されたベースライン応答時間を需要ポイントに組み込み、システム全体の性能を現実的にモデル化可能にする。
• ベースライン応答時間を活用する再定式化技術を用いて計算効率を向上させ、標準の最適化ソルバを用いた正確な解法を可能にする。
• 将来のOHCA発生位置とベースライン応答時間をシミュレートする二段階の機械学習アプローチを適用し、実際のシナリオ生成を可能にする。
• 確率的制約（チャンス制約）を用いて最適化問題を定式化し、各基地に必要なドローン数を保証し、目標応答時間（例：90パーセンタイル）を満たす。
• カナダ・トロント周辺26,000 km²の領域について8年間分のデータを用いて実世界のインスタンスを解き、フレームワークのスケーラビリティと実用性を検証する。

実験結果

リサーチクエスチョン

• RQ1 ドローンによるAEDネットワークを、ドローン機数を最小化しつつ応答時間目標を満たすように最適に設計するにはどうすればよいか？
• RQ2 ベースラインEMS応答時間を統合することで、ドローンネットワーク計画の現実性と有効性はどの程度向上するか？
• RQ3 応答時間指標の選定（例：平均値 vs. 90パーセンタイル）が、都市部および地方部におけるネットワーク設計と公平性に与える影響は何か？
• RQ4 統合的立地・キューイングモデルは、段階的またはカバレッジベースの手法に比べ、システム効率性および公平性の面で優れているか？
• RQ5 通話件数の変動が、各基地に必要なドローン数に与える影響は何か？また、これは運用計画にどのように反映されるか？

主な発見

• トロントの研究地域において、少量のドローンでさえ、都市部および地方部の両方で応答時間を顕著に短縮できることが判明した。
• 90パーセンタイルの応答時間目標を採用することで、混雑状態の高い地域や地方部を含め、カバレッジの分配がより公平になる。
• 統合されたキューイングと立地最適化のおかげで、応答時間分布全体が短縮され、末端（尾部）だけではなく全体の分布が改善される。
• ドローン基地の数と位置は通話件数に対して相対的に感度が低く、一方で通話件数が増加するにつれて各基地に必要なドローン数は増加する。
• 再定式化技術により、標準の最適化ソルバを用いて実世界のインスタンスに対して正確な解を得ることができ、実装に実用的であることが示された。
• 本フレームワークは、最適なテスト場所とリソース要件を特定することで、パイロットスタディや規制承認プロセスを支援する。