⚡ electrical engineering

A Realistic Discrete Event Simulation model for Ambulance Location and Deployment within a regional Emergency Medical Service

Ce document présente un modèle de simulation à événements discrets conçu pour reproduire fidèlement le fonctionnement stochastique d'un service d'urgence médical (EMS) régional, afin d'optimiser le déploiement des ambulances et d'améliorer les temps de réponse, comme le démontre une étude de cas réalisée pour l'autorité ARES 118 en Italie.

Auteurs originaux : Alberto De Santis, Stefania Iannazzo, Fabio Ingravalle, Stefano Lucidi, Massimo Maurici, Giulia Riccardi, Massimo Roma, Antonio Vinci

Publié 2026-04-28

📖 3 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Alberto De Santis, Stefania Iannazzo, Fabio Ingravalle, Stefano Lucidi, Massimo Maurici, Giulia Riccardi, Massimo Roma, Antonio Vinci

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Le Casse-tête de l'Ambulance : Comment sauver des vies avec de la logique

Imaginez que vous êtes le chef d'orchestre d'une immense ville. Votre mission est vitale : dès qu'un citoyen appelle à l'aide, une ambulance doit arriver le plus vite possible. Mais voilà le problème : vous n'avez pas des milliers d'ambulances. Vous en avez un nombre limité, et elles ne peuvent pas être partout à la fois.

C'est exactement le défi que les chercheurs de cet article ont voulu résoudre pour une région d'Italie (le Latium).

1. Le problème : Le jeu de la "Chaises Musicales" version urgence

Gérer des ambulances, c'est un peu comme jouer à une partie de chaises musicales géante et stressante.

Si vous placez toutes vos ambulances au centre de la ville, vous serez super rapide pour les citadins, mais les gens à la campagne mourront en attendant que l'ambulance traverse les montagnes.
Si vous les éparpillez partout, elles seront proches de tout le monde, mais elles risquent de se retrouver toutes "occupées" en même temps, laissant des zones entières sans aucune protection.

Les chercheurs disent qu'il y a deux questions cruciales : Où construire les garages (les bases) ? et Combien d'ambulances mettre dans chaque garage ?

2. L'outil : La "Machine à remonter le temps" (La Simulation)

Pour ne pas faire d'erreurs coûteuses dans la vraie vie, les scientifiques ont construit une "Machine à remonter le temps numérique". C'est ce qu'on appelle une Simulation à Événements Discrets.

Au lieu de tester des idées sur de vrais patients, ils ont créé un monde virtuel qui copie parfaitement la réalité. Dans ce monde numérique :

On a recréé les routes, les embouteillages et les montagnes.
On a simulé des milliers d'appels d'urgence, avec des urgences vitales (le "code rouge") et des cas moins graves.
On a même inclus les "imprévus" : le temps que l'infirmier prépare le matériel, le temps que l'ambulance attend devant l'hôpital parce qu'il n'y a pas de lit disponible (ce qu'ils appellent le "ramping").

C'est comme si on jouait à SimCity, mais avec des données médicales ultra-précises pour voir ce qui se passerait si on changeait une seule petite règle.

3. La découverte : Ne pas simplement "bouger les meubles"

Les chercheurs ont testé plusieurs scénarios. Ils ont demandé à leur machine : "Et si on déplace une ambulance d'un garage A vers un garage B, est-ce que c'est mieux ?"

Leurs résultats ont été très instructifs :

Le piège du déplacement : Ils ont découvert que simplement déplacer les ambulances d'un endroit à un autre (redistribution) ne change pas grand-chose. C'est comme essayer de mieux répartir 10 parts de pizza pour 10 personnes : peu importe comment vous les coupez, vous n'aurez jamais plus de pizza.
La solution magique : La meilleure façon d'améliorer les choses, ce n'est pas de déplacer les ressources, c'est d'en ajouter là où la demande est la plus forte.

En testant un scénario précis (ajouter une ambulance 24h/24 dans une zone stratégique appelée Rieti), ils ont vu que le nombre de personnes secourues dans les délais (moins de 20 minutes) bondissait de façon spectaculaire.

En résumé

Ce papier nous dit que pour sauver des vies, il ne suffit pas de conduire vite. Il faut utiliser la puissance des mathématiques et de la simulation pour placer nos ressources au bon endroit, au bon moment, en tenant compte de la réalité du terrain (les routes, les hôpitaux encombrés et la géographie).

C'est un GPS intelligent pour les décideurs de la santé publique.

Résumé Technique : Modèle de Simulation à Événements Discrets pour la Localisation et le Déploiement des Ambulances

1. Problématique (Le Problème)

L'efficacité des services médicaux d'urgence (EMS) repose sur la capacité à répondre rapidement aux appels pour stabiliser les patients avant leur transfert vers un service d'urgence (ED). Le défi majeur réside dans l'optimisation de deux dimensions critiques :

La localisation des bases : Où positionner stratégiquement les bases d'ambulances.
Le déploiement des ressources : Comment répartir la flotte d'ambulances entre ces bases.

Le problème est complexe car il est hautement stochastique (aléatoire) et dynamique. Les modèles traditionnels simplifient souvent trop la réalité (en ignorant les délais de triage, les temps de préparation, ou l'encombrement des hôpitaux), ce qui conduit à une surestimation de l'efficacité des stratégies proposées.

2. Méthodologie

Les auteurs proposent un modèle de Simulation à Événements Discrets (DES) généraliste, flexible et réutilisable, développé avec le framework Python SimPy. Contrairement aux modèles existants, leur approche intègre des éléments opérationnels réalistes :

Modélisation du flux complet : Le modèle suit le cycle de vie complet d'une mission : appel $\rightarrow$ triage téléphonique $\rightarrow$ préparation de l'équipe $\rightarrow$ trajet vers la scène $\rightarrow$ traitement sur place $\rightarrow$ transport vers l'ED $\rightarrow$ transfert du patient (incluant le délai de déchargement ou Ambulance Offload Delay) $\rightarrow$ désinfection $\rightarrow$ retour à la base ou réaffectation.
Génération de la demande : Utilisation d'une structure hiérarchique (zones de génération et carrés d'appels) pour capturer l'hétérogénéité spatio-temporelle des appels.
Temps de trajet calibrés : Au lieu d'utiliser des distances euclidiennes, le modèle utilise des réseaux routiers réels via l'API OpenRouteService, calibrés par des facteurs multiplicatifs basés sur des données historiques pour tenir compte du trafic et de l'urgence (sirènes).
Sélection de l'ED (Hôpital) : Le choix de l'hôpital n'est pas seulement basé sur la proximité, mais sur la pathologie diagnostiquée, suivant le modèle médical "Hub-and-Spoke" (centres spécialisés vs centres généraux).
Validation : Le modèle a été validé par comparaison avec les données réelles de l'autorité ARES 118 (région du Latium, Italie), en utilisant des tests de couverture et des intervalles de confiance à 95 %.

3. Contributions Clés

Réalisme accru : Intégration explicite de variables souvent négligées comme le triage téléphonique, le temps de préparation des équipes, et surtout l'ambulance ramping (l'indisponibilité de l'ambulance due à l'attente d'un lit à l'hôpital).
Cadre de décision robuste : Le modèle permet de réaliser des analyses de scénarios complexes (ajout de bases, changement de type de garde H12/H24, redistribution de la flotte) pour identifier les configurations optimales.
Approche intégrée : Capacité à traiter simultanément les problèmes de localisation et de déploiement dans un environnement stochastique.

4. Résultats (Étude de Cas)

L'étude a été appliquée au territoire de Rieti (Italie). Les résultats de l'analyse de scénarios montrent que :

L'expansion de la capacité est primordiale : L'ajout d'une ambulance en service continu (H24) dans une zone à forte demande (comme la caserne de pompiers de Rieti - Scénario 5) produit les gains les plus significatifs et robustes de couverture.
Limites de la redistribution : Les stratégies de simple redistribution (déplacer des ambulances sans augmenter la flotte totale) n'apportent que des bénéfices marginaux ou instables et ne peuvent remplacer une augmentation de la capacité structurelle.
Impact de la disponibilité : Réduire la disponibilité des véhicules (passer de H24 à H12) dégrade systématiquement la performance du système.

5. Signification et Implications

Ce travail démontre que pour améliorer les services d'urgence, les gestionnaires ne doivent pas seulement se concentrer sur la position géographique, mais aussi sur la disponibilité temporelle des ressources et sur l'interaction entre le positionnement et la dynamique stochastique du système (notamment les retards hospitaliers).

Le modèle constitue un outil d'aide à la décision (DSS) fiable qui permet de tester des politiques de déploiement sans risque réel, garantissant ainsi une meilleure efficacité (temps de réponse réduit) et une meilleure équité de service pour l'ensemble de la population régionale.