[논문 리뷰] Response time optimization for drone-delivered automated external defibrillators

Justin J. Boutilier, Timothy C. Y. Chan|arXiv (Cornell University)|2019. 07. 31.

Facility Location and Emergency Management참고 문헌 37인용 수 5

한 줄 요약

이 논문은 드론 기반 AED 배달의 응답 시간 목표를 충족시키면서 드론 허브 수를 최소화하기 위해 p-중심 위치-대기 모델과 M/M/d 대기열, 기준 응답 시간을 통합한 시뮬레이션-최적화 프레임워크를 제안한다. 이 방법은 도시 및 농촌 지역의 드론 기반 허브 최적 배치 및 규모 설정을 가능하게 하여 응답 시간을 크게 단축시키고 포괄적인 커버리지 개선을 이룬다.

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.

연구 동기 및 목표

• 드론 기반 AED를 통해 응답 시간을 최소화하여 해외에서 발생하는 심정지 사망률을 줄이려는 긴급한 필요성을 해결한다.
• 이전의 커버리지 기반 모델의 한계를 극복하기 위해, 임의의 커버리지 반경에 의존하지 않고 응답 시간을 직접 최소화하는 중앙값 기반 최적화를 사용한다.
• M/M/d 대기열을 통해 시스템 혼잡도를 직접 위치 결정에 통합하여 순차적 최적화로 인한 비최적 결과를 방지한다.
• 실제 기준 911 응답 시간을 통합하여 기존 응급의료서비스(EMS) 인프라와의 보완 및 지리적 격차를 메우는 데 기여한다.
• 도시 및 농촌 지역 간 공정성과 효율성을 균형 잡는 데 실용적이고 확장 가능한 프레임워크를 의료 제공자에게 제공한다.

제안 방법

• 각 드론 허브를 M/M/d 대기열로 모델링한 p-중심 아키텍처 기반의 위치-대기 모델을 개발하여 혼잡 효과를 반영한다.
• 역사적 911 데이터에서 유추한 기준 응답 시간을 수요 지점에 통합하여 전체 시스템 성능의 현실성 있는 모델링을 가능하게 한다.
• 기준 응답 시간을 활용하는 재구성 기법을 사용하여 계산 효율성을 향상시키고 표준 최적화 솔버를 통해 정확한 해를 도출할 수 있도록 한다.
• 미래의 OHCA 발생 위치와 기준 응답 시간을 시뮬레이션하기 위해 이중 단계의 머신러닝 접근법을 적용하여 현실적인 시나리오 생성을 가능하게 한다.
• 응답 시간 목표(예: 90번째 백분율)를 충족시키기 위해 각 허브에 충분한 수의 드론이 확보되도록 확률적 제약 조건을 도입한다.
• 캐나다 토론토 주변 26,000 km² 지역에서 8년간의 데이터를 활용해 실제 사례를 해결하여 프레임워크의 확장성과 실용성을 검증한다.

실험 결과

연구 질문

• RQ1 어떻게 드론 기반 AED 네트워크를 최적 설계하여 허브 수를 최소화하면서도 응답 시간 목표를 달성할 수 있는가?
• RQ2 기존 응급의료서비스(EMS)의 기준 응답 시간을 통합할 경우, 드론 네트워크 계획의 현실성과 효과성이 얼마나 향상되는가?
• RQ3 응답 시간 측정 기준의 선택(예: 평균 대비 90번째 백분율)이 도시 및 농촌 지역 간 드론 네트워크 설계와 공정성에 미치는 영향은 어떠한가?
• RQ4 통합된 위치-대기 모델이 순차적 또는 커버리지 기반 접근법에 비해 시스템 효율성과 공정성 측면에서 뛰어난 성능을 보일 수 있는가?
• RQ5 통화량이 기준 허브당 필요 드론 수에 미치는 영향은 무엇이며, 이는 운영 계획 수립에 어떻게 기여하는가?

주요 결과

• 토론토 연구 지역에서 도시 및 농촌 지역 모두에서 응답 시간을 크게 단축시키기 위해 소수의 드론으로도 충분하다.
• 90번째 백분율 응답 시간 목표는 도시 및 농촌 지역 모두에서 성능을 향상시키는 더 공정한 커버리지 분포를 이끌어낸다.
• 통합된 대기열 및 위치 최적화 덕분에 응답 시간 분포 전체가 감소하며, 꼬리 부분만이 아니라 전체 분포가 개선된다.
• 드론 허브의 수와 위치는 통화량에 상대적으로 민감하지 않지만, 통화량 증가에 따라 각 허브당 드론 수는 증가한다.
• 재구성 기법 덕분에 표준 최적화 솔버를 사용해 실제 사례에 대한 정확한 해를 도출할 수 있어 프레임워크의 실용성이 높아진다.
• 프레임워크는 최적의 시험 지역과 자원 요구량을 식별함으로써 시범 연구 및 규제 승인 절차를 지원한다.