[论文解读] 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 5

一句话总结

本文提出了一种集成仿真-优化框架，采用 p-中值选址-排队模型，结合 M/M/d 排队系统与基线响应时间，以最小化无人机机队规模，同时满足无人机配送自动体外除颤器（AED）的响应时间目标。该方法可实现城市与农村地区无人机基地的最优布设与规模配置，显著缩短响应时间并提升覆盖的公平性。

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.

研究动机与目标

• 解决院外心搏骤停（OHCA）死亡率高的关键需求，通过无人机配送 AED 缩短响应时间。
• 克服以往基于覆盖范围模型的局限性，采用中值式优化方法，明确最小化响应时间，而非依赖任意设定的覆盖半径。
• 将系统拥堵效应（通过 M/M/d 排队模型）直接整合到选址决策中，避免次优的顺序优化过程。
• 引入真实世界的基线 911 响应时间，确保无人机网络与现有急救医疗服务体系（EMS）协同运作，并精准填补地理上的服务空白。
• 为医疗保健提供方提供一种实用且可扩展的框架，以在城市与农村地区之间实现公平性与效率的平衡。

提出的方法

• 基于 p-中值架构构建选址-排队模型，将每个无人机基地建模为 M/M/d 排队系统，以捕捉拥堵效应。
• 将从历史 911 数据中估算的基线响应时间纳入需求点，实现对整体系统性能的更真实建模。
• 采用一种重构技术，利用基线响应时间提升计算效率，并通过标准优化求解器实现精确求解。
• 应用两阶段机器学习方法，模拟未来院外心搏骤停事件的位置与基线响应时间，实现对测试场景的真实感生成。
• 在优化问题中引入机会约束，以确保每个基地配备足够数量的无人机，满足目标响应时间（如第 90 百分位数）的要求。
• 利用加拿大多伦多周边 26,000 km² 区域八年的实际数据，求解真实世界实例，验证该框架的可扩展性与实用性。

实验结果

研究问题

• RQ1 如何最优设计无人机配送 AED 网络，以在满足响应时间目标的前提下最小化机队规模？
• RQ2 在多大程度上，整合基线急救医疗服务体系（EMS）响应时间能提升无人机网络规划的现实性与有效性？
• RQ3 响应时间指标的选择（如平均值 vs. 第 90 百分位数）如何影响城市与农村地区无人机网络的设计与公平性？
• RQ4 与顺序或基于覆盖范围的方法相比，集成选址-排队模型是否能在系统效率与公平性方面表现更优？
• RQ5 呼叫量对每个基地所需无人机数量有何影响，这一关系如何指导实际运营规划？

主要发现

• 在多伦多研究区域，仅需少量无人机即可显著缩短城市与农村地区的响应时间。
• 以第 90 百分位数响应时间为目标，可实现更公平的覆盖分布，提升密集城区与偏远地区的表现。
• 由于整合了排队与选址优化，该模型不仅缩短了响应时间的尾部，也降低了整个响应时间分布。
• 无人机基地的数量与位置对呼叫量相对不敏感，但每个基地的无人机数量随呼叫量增加而上升。
• 重构技术使标准优化求解器能够精确求解真实世界实例，使该框架具备实际部署可行性。
• 该框架可通过识别最优试点区域与资源需求，支持试点研究与监管审批流程，助力无人机配送 AED 的推广。