FenixEdu™

Dissertação

{en_GB=Improving the forecast demand process for Emergency Medical Services The case study of INEM} {} EVALUATED

Detalhes: {pt=Os serviços de emergência médica (EMS) são uma componente essencial dos cuidados médicos pré-hospitalares. Estes serviços são fulcrais para salvar vidas e focam-se em minimizar tempos de resposta para garantir a sobrevivência do paciente. O Sistema Integrado de Emergência Médica (SIEM) é responsável por fornecer cuidados médicos para Portugal continental. Este sistema complexo é gerido pelo Instituto Nacional de Emergência Médica (INEM), uma entidade pública designada a coordenar as operações do SIEM. O INEM tem em conta múltiplos objetivos, restrições orçamentais, e fontes de incerteza, sendo necessário tomar decisões de planeamento complexas, que requerem estimativas precisas de procura. O método atual adotado pelo INEM é baseado em médias simples, podendo levar a alocações ineficientes dos seus recursos limitados. Tendo isto em conta, o objetivo deste trabalho é identificar modelos de previsão explorando dados espácio-temporais para fornecer informações fiáveis para os decisores apoiarem decisões de alocação de recursos, garantir o atendimento do volume de chamadas nos centros de despacho, e planear a necessidade de veículos de emergência médica. O modelo de mistura Gaussiano apresenta bom desempenho, obtendo estimativas precisas de procura a nível operacional. Juntamente com outros algoritmos de Aprendizado de Máquina, pouco explorados para previsões de EMS, estes modelos de previsão são desenvolvidos, otimizados, e validados. A validação com dados do INEM mostra que o modelo Gradient Boosting obtém, em média, 1,14% maior precisão do que o modelo de mistura Gaussiano. Além disso, tendo superado os outros modelos, os algoritmos boosting provaram ser os mais promissores para aplicações similares. , en=Emergency Medical Services (EMS) are a vital component of pre-hospital medical care. These services are paramount to save lives as they focus on providing quality care and minimizing response times to ensure patient survivability. The Portuguese EMS system, SIEM, is responsible for providing prompt and adequate medical care for mainland Portugal. This complex system is managed by the National Emergency Medical Institute (INEM), a public entity designated to coordinate SIEM’s operations. INEM balances multiple objectives, budget constraints, and uncertainty. Complex planning decisions must be made, which require accurate demand estimates to serve as inputs to make informed decisions. The method currently adopted by INEM is based on simple averaging techniques, which may lead to inefficient allocation of scarce resources. Recognizing this, this work aims to identify forecasting models exploring spatial-temporal datasets and contextual data to provide reliable information for decision-makers to support their decisions about resource allocation, and to meet the volume of calls answered at dispatch centres and the need for multiple emergency vehicles. The time-varying Gaussian mixture model is distinguished as one of the methods with good performance for obtaining accurate demand estimates on the operational level. Together with other Machine Learning models, unexplored in the literature for EMS demand forecasting, these predictive models are developed, optimized, and validated. Validation with INEM’s data shows that the Gradient Boosting model achieves, on average, 1.14% higher accuracy than the Gaussian mixture model. Furthermore, having surpassed all other models, boosting algorithms prove to be the most promising for similar applications. }
Keywords: {pt=Serviços de emergência médica, Planeamento operacional, Previsão da procura de EMS, Procura de serviços ambulatórios, Modelo de mistura Gaussiano, Aprendizado de máquina, en=Emergency medical services, Operational planning, EMS demand forecasting, Ambulance service demand, Gaussian mixture models, Machine learning}

Discussão: dezembro 3, 2021, 12:0