Selective Ambulance Dispatch Under Contextual Travel-Time Uncertainty

Resumen Técnico: Despacho Selectivo de Ambulancias bajo Incertidumbre Contextual del Tiempo de Viaje

Enunciado del Problema
El paro cardíaco extrahospitalario (OHCA) requiere intervención médica inmediata, donde las tasas de supervivencia disminuyen significativamente incluso con retrasos de un minuto. Los despachadores de ambulancias enfrentan una compensación crítica: equilibrar la necesidad de una respuesta rápida con la capacidad limitada de la flota. Las estrategias de despacho tradicionales se basan ya sea en territorios geográficos estáticos o en predicciones puntuales deterministas del tiempo de viaje. Sin embargo, las regiones estáticas no se adaptan a la congestión dinámica, y las predicciones puntuales pueden ser engañosas cuando las condiciones del tráfico cambian durante el trayecto. Por el contrario, el despacho "siempre-dual" (enviar dos ambulancias por cada llamada de alta prioridad) garantiza redundancia pero consume capacidad excesiva de la flota, dejando potencialmente otras áreas desatendidas.

El desafío central abordado es el despacho dual selectivo: determinar cuándo y cuál ruta secundaria justifica el costo de capacidad de desplegar una segunda ambulancia. Esta decisión se complica por las incertidumbres correlacionadas del tiempo de viaje; la congestión a menudo afecta simultáneamente a múltiples enlaces viales cercanos, lo que significa que una ambulancia secundaria que sigue una ruta diferente aún puede verse retrasada por el mismo estado subyacente del tráfico.

Metodología: El Marco IDEAL
Los autores proponen IDEAL (Despacho Dual Inteligente de Ambulancias de Emergencia), un marco consciente del escenario que despacha una segunda ambulancia solo cuando la "brecha optimista" entre la ruta principal y una ruta secundaria plausible supera un umbral clínicamente significativo. El marco consta de tres componentes técnicos:

1. Aprendizaje de Representación Bilevel Débilmente Supervisado:

   • Desafío: Los registros históricos de despacho proporcionan tiempos de viaje a nivel de viaje, pero no revelan las rutas específicas tomadas por las ambulancias.
   • Solución: IDEAL emplea una red de representación bilevel. El problema de nivel inferior resuelve un problema de camino más corto basado en tiempos de enlace predichos, mientras que el nivel superior actualiza los parámetros de la red para minimizar la pérdida entre el tiempo del camino más corto predicho y el tiempo de viaje observado.
   • Entrenamiento: El modelo utiliza un método de gradiente conservador por mini-lotes para manejar la no suavidad que surge de la selección del camino más corto (donde pueden ocurrir empates). Los autores demuestran una garantía de convergencia asintótica para este procedimiento de entrenamiento.

2. Conjuntos de Escenarios Correlacionados Contextuales mediante Perturbaciones Métricas:

   • Modelado de Incertidumbre: En lugar de incertidumbres de enlace independientes, IDEAL modela los tiempos de viaje perturbando una métrica compartida en el espacio de representación aprendido. Los tiempos de viaje de los enlaces se derivan de la norma euclidiana al cuadrado de las incrustaciones de enlace aprendidas bajo una matriz definida positiva $X$.
   • Correlación: Al perturbar la matriz métrica $X$ (medida mediante la divergencia de Burg desde la identidad), el modelo induce cambios correlacionados en todos los enlaces. Los enlaces con representaciones contextuales similares responden de manera similar a la misma perturbación métrica.
   • Predicción del Radio: Una red separada predice un radio de incertidumbre específico del contexto $\rho_T$ basado en errores históricos de subestimación, definiendo el tamaño del conjunto de escenarios.

3. Oráculo Eficiente para el Cálculo de la Brecha Optimista:

   • Formulación: Calcular la ventaja máxima plausible de tiempo de llegada (brecha optimista) sobre el conjunto de escenarios de Burg se formula como un programa de Diferencia de Convexos (DC) sobre la matriz métrica.
   • Algoritmo: Los autores derivan un oráculo eficiente utilizando el Algoritmo de Diferencia de Convexos (DCA). El subproblema clave se reduce a una búsqueda escalar unidimensional para un multiplicador de Lagrange, evitando la optimización matricial de alta dimensión en el momento del despacho.
   • Complejidad: Los autores proporcionan garantías de complejidad para el procedimiento DCA, mostrando que puede resolverse eficientemente en tiempo real.

Contribuciones Clave

• Marco de Aprendizaje Novel: El desarrollo de una red de representación bilevel débilmente supervisada que aprende tiempos de viaje de enlace específicos del contexto a partir de datos a nivel de viaje sin requerir etiquetas de ruta observadas.
• Modelado de Incertidumbre Correlacionada: Un método para construir conjuntos de escenarios mediante perturbaciones métricas en un espacio de representación aprendido, capturando la correlación espacial de los retrasos de tráfico de manera más efectiva que los modelos de enlace independientes.
• Eficiencia Computacional: Un oráculo eficiente para el cálculo de la brecha optimista que transforma una optimización matricial compleja en una búsqueda escalar tratable, permitiendo la toma de decisiones en tiempo real.
• Garantías Teóricas: Demostraciones de convergencia asintótica para el algoritmo de entrenamiento bilevel y garantías de convergencia para la optimización en tiempo de despacho basada en DCA.

Resultados Experimentales
El marco fue evaluado en colaboración con el Departamento de Servicios de Bomberos de Hong Kong utilizando registros históricos de OHCA (2014–2023) y simulaciones adaptativas en tiempo real en la red vial de la Isla de Hong Kong.

• Rendimiento frente a Líneas Base: IDEAL se comparó contra despacho basado en regiones, despacho principal basado en Google Maps, despacho dual basado en Google (siempre enviando dos) y despacho selectivo por intervalos basado en Google.
• Optimización de Compensación: IDEAL logró una compensación superior entre tiempo de respuesta y recursos. Con volúmenes de despacho similares, IDEAL redujo el tiempo de viaje medio y disminuyó significativamente el riesgo de cola (retrasos severos).
• Reducción del Riesgo de Cola: En el punto de operación "siempre-dual", IDEAL redujo el arrepentimiento del percentil 95 (tiempo perdido en comparación con la ruta candidata posible óptima) de 60.9 segundos (dual de Google) a 20.5 segundos.
• Significancia Estadística: Las pruebas de rango con signo de Wilcoxon pareadas de una cola confirmaron que las mejoras de IDEAL sobre todas las líneas base, incluida la fuerte línea base "dual de Google", fueron estadísticamente significativas ($p < 4.0 \times 10^{-7}$).
• Transferibilidad: Una prueba de transferencia en el distrito de Sha Tin (distinta red vial y par de depósitos) demostró que la política aprendida permanece robusta sin reentrenamiento, superando a las líneas base locales.

Significado y Afirmaciones
El artículo afirma que IDEAL proporciona un enfoque riguroso y basado en datos al problema de la "redundancia selectiva" en los servicios de emergencia. Al modelar explícitamente la incertidumbre correlacionada del tiempo de viaje y aprender representaciones específicas del contexto, el marco evita la ineficiencia del despacho siempre-dual mientras mitiga los riesgos de la dependencia de una sola ruta. Los autores enfatizan que la política opera como una superposición sobre los flujos de trabajo existentes, utilizando motores de enrutamiento externos para las rutas principales y datos de capacidad local para establecer umbrales, asegurando interpretabilidad y auditabilidad. Los resultados sugieren que el despacho dual selectivo, guiado por el marco IDEAL, puede mejorar significativamente los resultados de supervivencia para pacientes con OHCA al reducir la frecuencia y severidad de los retrasos en la respuesta sin aumentar proporcionalmente la tensión en la flota.