New Heuristics for the Operation of an Ambulance Fleet under Uncertainty

Este artículo propone y evalúa nuevos algoritmos heurísticos y un enfoque de *rollout* basado en programación estocástica para optimizar la selección y reasignación de ambulancias bajo incertidumbre, demostrando que estas técnicas mejoran los tiempos de respuesta y son lo suficientemente rápidas para su implementación en tiempo real en servicios médicos de emergencia.

Lo esencial

Imagina que la gestión de una flota de ambulancias es como dirigir un equipo de mensajeros de pizza en una ciudad enorme y caótica, pero con una diferencia crucial: en lugar de pizza, llevan vidas en sus manos, y no sabes cuándo ni dónde sonarán los timbres de las casas.

Este artículo de investigación es como un manual de estrategia para que esos mensajeros (las ambulancias) lleguen más rápido y salven más vidas, incluso cuando el tráfico, las emergencias y el tiempo son impredecibles.

Aquí te explico los puntos clave usando analogías sencillas:

1. El Gran Dilema: ¿A quién enviamos y a dónde va después?

En el mundo de las ambulancias, hay dos decisiones críticas que se toman todo el tiempo:

• La Selección (¿Quién va?): Cuando suena una alarma (una emergencia), ¿enviamos a la ambulancia que está más cerca, o a la que tiene el equipo médico más avanzado, aunque esté un poco más lejos?
• La Reasignación (¿Qué hace después?): Una vez que la ambulancia termina su trabajo (lleva al paciente al hospital y limpia la ambulancia), ¿se queda quieta esperando, o se mueve a otra parte de la ciudad para estar lista para la próxima?

2. El Problema de "Ver el Futuro"

El mayor reto es que nadie tiene bolas de cristal. No sabes si en 10 minutos habrá un accidente grave en el centro o un infarto en la periferia.

• El error común: Muchos sistemas antiguos funcionan como un jugador de ajedrez que solo mira el siguiente movimiento. Si ven una emergencia cerca, envían a la ambulancia más cercana inmediatamente. Pero, ¿y si esa ambulancia era la única capaz de atender un infarto grave que ocurrirá en 5 minutos en otro lado? Al enviarla a la emergencia "fácil", dejan desprotegida la zona crítica.
• La solución del papel: Los autores proponen un sistema que actúa como un entrenador de fútbol que simula partidos. Antes de tomar una decisión, el sistema "juega" mentalmente cientos de escenarios posibles (llamadas futuras, tráfico, etc.) para ver cuál es la mejor jugada hoy que no arruine el juego mañana.

3. Las Nuevas Estrategias (Los "Heurísticos")

Los autores crearon cuatro nuevas reglas de juego (llamadas heurísticas) para tomar decisiones rápidas:

• La Regla "Corta y Precisa" (Best Myopic): Mira solo lo que tienes enfrente y elige la opción más barata ahora mismo. Es rápida, pero a veces corta la cabeza a largo plazo.
• La Regla "Visionaria" (NonMyopic): Mira un poco más allá. Si una ambulancia está ocupada, la regla calcula si es mejor esperar a que termine su trabajo actual para atender una emergencia más grave que llegará pronto, en lugar de enviarla a una emergencia menor ahora.
• Las Reglas "Codiciosas" (GHP1 y GHP2): Son como un gerente de cola que ordena las emergencias. No solo miran quién está más cerca, sino que ordenan las llamadas por "urgencia penalizada" (cuánto tiempo ha esperado y qué tan grave es). Si hay varias ambulanas libres, eligen la que tenga menos "capacidad especial" para no desperdiciar a las ambulancias de alta tecnología en casos simples.

4. El Truco Maestro: El "Enfoque de Despliegue" (Rollout)

Esta es la parte más brillante. Imagina que tienes un asistente muy rápido que, cada vez que suena un teléfono, corre a simular 100 futuros posibles en cuestión de segundos.

• En lugar de decidir "a ciegas", el sistema pregunta: "Si envío a la ambulancia A, ¿qué pasa en los próximos 100 futuros posibles? ¿Y si envío a la B?".
• Elige la opción que, en promedio, funcione mejor en esos futuros simulados.
• Resultado: Aunque calcular esto suena lento, sus algoritmos son tan rápidos que toman la decisión en pocos segundos. ¡Es como tener un superordenador en el bolsillo del dispatcher!

5. ¿Dónde se prueba?

Lo probaron con datos reales de Rio de Janeiro, una ciudad enorme y compleja.

• El resultado: Sus nuevas estrategias lograron tiempos de respuesta más rápidos y salvaron más "vidas" (en términos de métricas) que las reglas tradicionales que usan muchas ciudades hoy en día.
• La ventaja: No solo son más inteligentes, sino que son lo suficientemente rápidas para usarse en tiempo real. No esperas 5 minutos a que el ordenador piense; la decisión llega en un parpadeo.

En resumen

Este papel nos dice que para gestionar ambulancias en un mundo caótico, no basta con enviar al mensajero más cercano. Necesitas un cerebro que simule el futuro, que sepa cuándo guardar a un "superhéroe" (ambulancia avanzada) para un momento crítico y cuándo mover a las ambulancias vacías a zonas donde es probable que suenen los timbres pronto.

Es como pasar de jugar al ajedrez moviendo piezas al azar, a jugar contra un Gran Maestro que calcula tres movimientos adelante en milisegundos.

Resumen técnico

Resumen Técnico: Nuevas Heurísticas para la Operación de una Flota de Ambulancias bajo Incertidumbre

1. El Problema

El artículo aborda la gestión operativa en tiempo real de una flota de ambulancias para Servicios de Emergencia Médica (EMS). El problema central implica dos tipos de decisiones críticas que deben tomarse bajo incertidumbre (ubicaciones, tipos y tiempos de llegada de emergencias desconocidos):

• Selección de Ambulancia: Determinar qué ambulancia despachar ante una nueva llamada de emergencia o si la llamada debe colocarse en una cola de espera.
• Reasignación de Ambulancia: Decidir qué hacer con una ambulancia una vez que termina un servicio (transporte de paciente, limpieza, etc.). Las opciones incluyen enviarla a una emergencia pendiente en la cola o a una estación de espera (staging).

Complejidades y Limitaciones de Métodos Previos:

• La mayoría de los enfoques anteriores se centran solo en la selección, ignorando o simplificando excesivamente la reasignación (asumiendo que las ambulancias siempre vuelven a su "estación base" asignada).
• Muchos modelos no consideran la diversidad de capacidades de las ambulancias (soporte vital básico BLS vs. avanzado ALS) ni la variedad de tipos de emergencias (más allá de simples niveles de prioridad).
• Los modelos de optimización estocástica multietapa exactos (como la Aproximación de Promedio de Muestra - SAA) son computacionalmente inviables en tiempo real debido a la enorme cantidad de variables enteras necesarias.

2. Metodología

Los autores proponen un marco de trabajo basado en Programación Estocástica y un enfoque de Despliegue (Rollout).

A. Modelo Estocástico y Estado del Sistema:

• Se modelan las emergencias como un proceso estocástico (Poisson) con tipos, ubicaciones y tiempos de llegada aleatorios.
• El estado del sistema incluye la ubicación de las ambulancias, sus tareas pendientes, las emergencias en cola y el tiempo actual.
• Se consideran cuatro secuencias de viajes posibles para una ambulancia (C1-C4) dependiendo de si el paciente es trasladado a un hospital y si la ambulancia necesita limpieza.

B. Enfoque de Despliegue (Rollout):
En lugar de resolver un problema de optimización global, el método utiliza una política de rollout:

1. Cada vez que ocurre un evento (llegada de llamada o fin de servicio), se evalúa una decisión inmediata $x_0$.
2. Para evaluar el costo futuro de esa decisión, se simula un horizonte de tiempo futuro utilizando un árbol de escenarios (muestreo i.i.d.).
3. Se utiliza una heurística base para calcular el costo del segundo estado (futuro) de manera eficiente.
4. Se elige la decisión $x_0$ que minimiza la suma del costo inmediato más el costo esperado futuro estimado.

C. Nuevas Heurísticas Propuestas:
Se introducen cuatro heurísticas para la selección y varias estrategias para la reasignación:

1. Mejor Míope (Best Myopic - BM): Minimiza el costo de asignación inmediato (tiempo de respuesta penalizado + calidad de emparejamiento ambulancia-emergencia). Es "míope" porque no considera eventos futuros explícitamente, pero selecciona la ambulancia menos avanzada (ej. BLS en lugar de ALS) si los costos son iguales, preservando recursos.
2. No Míope (NonMyopic - NM): Considera llamadas futuras cercanas (hasta que la ambulancia esté disponible). Si la ambulancia óptima para la llamada actual está ocupada, evalúa si asignarla a una llamada futura prioritaria que llegue antes de que termine su servicio actual sea más beneficioso.
3. Heurísticas Codiciosas (GHP1 y GHP2): Manejan explícitamente una cola de emergencias.
   • GHP1: Ordena la cola por el tiempo de espera penalizado (prioridad de urgencia acumulada).
   • GHP2: Ordena la cola por el costo de asignación mínimo global, priorizando las llamadas más difíciles de atender.
4. Reglas de Reasignación (Estación de Espera):
   • Regla de Estación Base (HSR): Vuelta a la estación asignada.
   • Regla de Estación Más Cercana (CSR): Vuelta a la estación física más cercana.
   • Regla de Mejor Estación (BSR): Propuesta nueva. Envía la ambulancia a la estación que tiene el mayor déficit proyectado de cobertura para tipos específicos de emergencias en un horizonte de tiempo futuro ($\Delta$), basándose en la intensidad de llamadas esperada.

3. Contribuciones Clave

1. Integración de Selección y Reasignación: A diferencia de la literatura previa, el método optimiza simultáneamente qué ambulancia enviar y dónde posicionarla después del servicio, permitiendo que las ambulancias no siempre vuelvan a su estación base.
2. Modelado de Heterogeneidad: El modelo distingue entre múltiples tipos de emergencias (basados en el sistema MPDS, no solo prioridad) y múltiples capacidades de ambulancias y tripulaciones (BLS, ALS, unidades de ictus, etc.), optimizando el "emparejamiento" (match) entre capacidad y necesidad.
3. Gestión de Colas Consciente: Permite poner emergencias de baja urgencia en cola incluso si hay ambulancias disponibles, para reservar recursos para emergencias futuras más críticas.
4. Eficiencia Computacional: Las decisiones se calculan en segundos, lo que permite su implementación en tiempo real, superando la barrera computacional de los métodos de optimización estocástica exacta.
5. Validación con Datos Reales: Uso de datos históricos del EMS de Río de Janeiro (2016-2018) para calibrar y probar los modelos.

4. Resultados Numéricos

Los experimentos se realizaron con datos reales de Río de Janeiro y datos sintéticos, comparando las heurísticas propuestas con 8 heurísticas de la literatura (incluyendo las de Andersson & Värbrand, Lee, Mayorga, etc.) y la regla estándar de "Ambulancia Disponible Más Cercana" (CA).

• Rendimiento Superior: Las heurísticas propuestas (especialmente GHP2 y NM combinadas con el enfoque de rollout) superaron consistentemente a todas las heurísticas de la literatura en términos de:
  • Costo de Asignación: Reducciones significativas en el costo total penalizado (tiempo de respuesta + calidad de atención).
  • Tiempo de Respuesta: Mejoras notables en los tiempos de respuesta medios y en los percentiles altos (Q0.9 y máximo).
• Ventaja del Rollout: Utilizar las heurísticas dentro del marco de rollout mejoró el rendimiento en comparación con usar las heurísticas directamente para la toma de decisiones, aunque con un costo computacional ligeramente mayor (aún así, en milisegundos).
• Impacto de la Reasignación: La Regla de Mejor Estación (BSR) demostró ser superior a la regla de estación base (HSR) en escenarios dinámicos donde la demanda se desplaza geográficamente, reduciendo los tiempos de respuesta hasta en un 50% en ciertos casos de prueba sintéticos.
• Robustez: Los métodos funcionaron bien tanto con tiempos de viaje deterministas como estocásticos (distribución log-normal).

5. Significado e Impacto

Este trabajo representa un avance significativo en la investigación de operaciones aplicada a servicios de emergencia:

• Viabilidad Operativa: Demuestra que es posible implementar estrategias de optimización estocástica sofisticadas en tiempo real, algo que antes se consideraba computacionalmente prohibitivo.
• Mejora en la Atención Médica: Al considerar la capacidad específica de la ambulancia (ej. ALS para paros cardíacos) y no solo la distancia, se mejora la probabilidad de supervivencia y recuperación de los pacientes.
• Gestión Dinámica de Recursos: La capacidad de reubicar ambulancias basándose en la demanda futura proyectada (BSR) en lugar de reglas estáticas permite una cobertura más eficiente de la flota.
• Herramientas Disponibles: Los autores han liberado el código fuente y una plataforma web para visualización, facilitando la adopción por parte de otros EMS y investigadores.

En conclusión, el artículo proporciona un marco robusto y eficiente para la gestión dinámica de flotas de ambulancias, demostrando que la combinación de heurísticas inteligentes con un enfoque de rollout estocástico ofrece mejoras tangibles en la calidad del servicio de emergencia médica.