⚡ electrical engineering

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

이 논문은 이탈리아 라치오 지역의 응급 의료 서비스(EMS) 사례를 통해, 지역 내 구급차 배치 및 운영의 효율성을 높이기 위해 실제 시스템의 확률적 동작과 워크플로우를 정밀하게 재현한 범용 이산 사건 시뮬레이션(DES) 모델을 제안합니다.

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

게시일 2026-04-28

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

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

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

🚑 1. 문제의 핵심: "배달 맛집의 라이더 배치 문제"

여러분이 아주 유명한 배달 전문 음식점을 운영한다고 상상해 보세요. 손님들은 "배고파요! 빨리 보내주세요!"라고 외칩니다.

상황 A: 라이더들이 모두 한곳(강남)에만 모여 있으면, 강남 손님은 10분 만에 음식을 받지만, 멀리 떨어진 강북 손님은 1시간을 기다려야 합니다.
상황 B: 라이더를 동네마다 골고루 뿌려놓으면 골고루 빨리 가겠지만, 갑자기 특정 동네에 주문이 폭주하면 그 동네 라이더들은 다 나가서 배달 중이라 정작 급한 주문을 못 받을 수도 있죠.

응급차도 똑같습니다. 구급차를 너무 한곳에 몰아넣으면 외곽 지역 사람이 위험해지고, 너무 흩어놓으면 정작 큰 사고가 터졌을 때 대응할 차가 부족해집니다. 이 논문은 이 **'최적의 균형점'**을 찾는 수학적 모델을 만든 것입니다.

🛠️ 2. 이 연구의 특별한 점: "진짜 현실처럼 시뮬레이션하기"

기존의 연구들은 계산을 편하게 하려고 "구급차는 출발하자마자 바로 환자를 태우고 병원에 도착하면 바로 다음 일을 한다"라고 단순하게 가정하곤 했습니다. 하지만 현실은 그렇지 않죠?

이 논문은 **'아주 깐깐한 시뮬레이션 게임'**을 만들었습니다. 마치 게임 캐릭터가 단순히 움직이는 게 아니라, 실제 사람처럼 행동하게 만든 거예요.

전화 응대 시간: 119에 전화해서 상황을 설명하고 접수하는 시간까지 계산에 넣었습니다.
준비 시간: 구급차가 출동하기 전, 대원들이 장비를 챙기고 준비하는 시간도 포함했습니다.
병원에서의 '병목 현상' (가장 중요한 포인트!): 구급차가 환자를 데리고 병원에 도착했는데, 응급실 침대가 꽉 차서 구급차 안에서 환자를 계속 돌봐야 하는 상황(Ambulance Ramping)을 모델에 넣었습니다. 이 때문에 구급차가 다시 현장으로 못 나가고 병원 앞에 묶여 있는 현실적인 문제를 반영한 것이죠.
실제 도로 상황: 직선거리가 아니라, 실제 지도 데이터와 교통 상황을 반영해 이동 시간을 계산했습니다.

📍 3. 실험 결과: "어디에 차를 더 놓아야 할까?"

연구팀은 이탈리아의 '리에티(Rieti)'라는 지역을 대상으로 실험을 했습니다. 이 지역은 산도 많고 인구도 듬성듬성 있어서 아주 까다로운 조건이었죠.

실험 결과, 아주 흥미로운 결론이 나왔습니다.

"그냥 옮기기만 해서는 안 된다": 구급차를 여기저기 옮겨 놓는 것(재배치)만으로는 큰 효과가 없었습니다.
"가장 핵심적인 곳에 힘을 실어라": 인구가 많고 사고가 자주 나는 **중심지(리에티 시)의 소방서에 구급차를 한 대 더 추가(24시간 상시 대기)**했을 때, 전체적인 응급 상황 대응률(골든타임 내 도착률)이 가장 드라마틱하게 올라갔습니다.
"부족한 곳을 채우는 게 답이다": 단순히 차를 옮기는 '재배치'보다는, 전체적인 자원을 늘리거나 가장 수요가 많은 곳의 '상시 대기 능력'을 키우는 것이 사람을 살리는 데 훨씬 효과적이었습니다.

💡 요약하자면?

이 논문은 **"구급차가 병원 응급실에 묶여 있는 시간, 전화 받는 시간, 실제 도로 상황까지 모두 고려한 아주 정교한 가상 세계(시뮬레이션)"**를 만들었습니다.

이 가상 세계에서 수만 번의 실험을 해본 결과, **"구급차를 단순히 여기저기 흩어놓는 것보다, 사고가 집중되는 핵심 거점에 24시간 대기할 수 있는 차를 더 배치하는 것이 사람을 살리는 가장 확실한 방법이다"**라는 것을 과학적으로 증명해낸 것입니다.

[기술 요약] 지역 응급 의료 서비스(EMS) 내 구급차 위치 선정 및 배치를 위한 현실적인 이산 사건 시뮬레이션(DES) 모델

1. 문제 정의 (Problem Statement)

응급 의료 서비스(EMS)의 핵심 목표는 환자에게 신속하게 대응하여 적절한 응급실(ED)로 이송하는 것입니다. 서비스의 효율성은 구급차의 홈 베이스(Home Base) 위치와 각 베이스에 구급차를 어떻게 **배치(Deployment)**하느냐에 달려 있습니다.

기존 연구들의 한계점은 다음과 같습니다:

단순화된 가정: 전화 트리아지(Triage), 구급차 준비 시간, 응급실 하차 지연(Ambulance Offload Delay, AOD) 및 램핑(Ramping) 현상 등을 무시하는 경우가 많습니다.
비현실적 거리 계산: 유클리드 거리(직선 거리)를 사용하여 실제 도로 네트워크와 교통 상황을 반영하지 못합니다.
단순한 이송 경로: 환자의 질환 특성을 고려하지 않고 단순히 가장 가까운 응급실로만 이송하는 경향이 있습니다.

2. 연구 방법론 (Methodology)

본 논문은 이러한 한계를 극복하기 위해 이산 사건 시뮬레이션(Discrete Event Simulation, DES) 프레임워크를 제안합니다.

A. 모델의 주요 특징 (Key Modeling Features)

현실적인 워크플로우: 전화 트리아지 $\rightarrow$ 구급차 배정 $\rightarrow$ 현장 이동 $\rightarrow$ 현장 처치 $\rightarrow$ 환자 적재 $\rightarrow$ 응급실 이동 $\rightarrow$ AOD/램핑(대기) $\rightarrow$ 소독 $\rightarrow$ 복귀로 이어지는 전체 과정을 모델링합니다.
계층적 수요 생성: 지역을 '생성 구역(Generation Zones)'과 '호출 사각형(Call Squares)'으로 나누어, 시간적/공간적 변동성을 정밀하게 재현합니다.
도로 네트워크 기반 이동 시간: OpenRouteService API를 사용하여 실제 도로망을 반영하고, 역사적 데이터를 바탕으로 시간대별/긴급도별 **보정 계수(Calibration Factor)**를 적용하여 교통 상황을 반영합니다.
질환 기반 응급실 선택: 환자의 병명과 응급실의 전문 의료 역량(Hub-and-Spoke 모델)을 매칭하여 최적의 이송 경로를 결정합니다.
확률적 서비스 시간: 모든 서비스 단계(준비, 처치, 하차 등)를 역사적 데이터에서 추출한 확률 분포(Empirical Distribution)로 모델링합니다.

B. 검증 및 타당성 검토 (Verification & Validation)

데이터셋: 이탈리아 라치오(Lazio) 지역의 ARES 118에서 제공한 2023년 실제 응급 호출 데이터(18,611건)를 사용했습니다.
검증 지표: 호출 건수, 응급실 커버리지(Response Time 기준), 베이스별 구급차 활용도를 실제 데이터와 비교하여 모델의 정확성을 입증했습니다.

3. 주요 기여 (Key Contributions)

고충실도(High-Fidelity) 모델 개발: 기존 문헌에서 간과되었던 운영 지연(AOD, 준비 시간 등)을 통합하여 시뮬레이션의 신뢰도를 획기적으로 높였습니다.
범용성 및 재사용성: 특정 지역에 국한되지 않고, 다양한 국가 및 지역의 EMS 운영 프로토콜(배차 규칙, 차량 구성 등)에 맞춰 커스터마이징이 가능한 유연한 프레임워크를 제공합니다.
의사결정 지원 도구: 단순한 분석을 넘어, 시뮬레이션 기반 최적화(SBO)를 통해 최적의 위치와 배치 전략을 찾는 도구로 활용 가능함을 보여주었습니다.

4. 연구 결과 (Results)

이탈리아 Rieti 지역을 대상으로 한 시나리오 분석 결과는 다음과 같습니다:

현상태(As-is) 분석: 현재의 배치 상태에서는 20분 이내 응답률(Coverage)이 긴급 환자의 경우 약 45.29% 수준이었습니다.
시나리오 비교:
- S5 (최적 시나리오): Rieti 소방서(Fire Station)에 24시간(H24) 구급차 1대를 추가 배치했을 때, 긴급 및 비긴급 환자 모두에서 가장 크고 통계적으로 유의미한 커버리지 향상을 보였습니다.
- S2 (부정적 시나리오): 고수요 지역(Rieti)의 H24 구급차를 H12(주간 운영)로 전환했을 때, 시스템 성능이 급격히 저하되었습니다.
- 재배치 전략의 한계: 추가 자원 없이 위치만 옮기는 전략(S6, S7, S8)은 성능 향상이 미미하거나 지역 간 트레이드오프(Trade-off)만 발생했습니다.

5. 결론 및 의의 (Significance)

본 연구는 **"단순한 위치 이동보다는 고수요 지역에 대한 실질적인 자원(H24 차량) 확충이 시스템 전체의 효율성을 높이는 데 결정적이다"**라는 정책적 시사점을 제공합니다.

이 모델은 EMS 관리자가 데이터에 기반하여 구급차 배치 전략을 수립하고, 자원 배분의 효율성과 형평성을 동시에 확보할 수 있도록 돕는 강력한 **의사결정 지원 시스템(Decision Support System)**으로서의 가치를 지닙니다.