⚡ electrical engineering

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

Dit artikel presenteert een realistisch Discrete Event Simulation-model voor de strategische locatiebepaling en inzet van ambulances binnen een regionaal noodhulpsysteem, gevalideerd met een casestudy uit de Italiaanse regio Lazio.

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

Gepubliceerd 2026-04-28

📖 3 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

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

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je in een drukke stad woont en er is plotseling een noodsituatie. Je hoopt dat er snel een ambulance voor de deur staat. Maar hoe weet de brandweer of de ambulance al in de buurt is? En waarom staat die ambulance soms zó lang bij het ziekenhuis te wachten dat hij niet naar de volgende patiënt kan?

Dit wetenschappelijke artikel gaat precies over die puzzel. De onderzoekers hebben een supergeavanceerd computerprogramma gebouwd om de ambulancezorg in een regio in Italië (Lazio) te verbeteren.

Hier is de uitleg in begrijpelijke taal:

1. De "Digitale Kopie" van de Werkelijkheid

De onderzoekers hebben niet zomaar een simpel schemaatje gemaakt. Ze hebben een digitale tweeling van het hele ambulancesysteem gebouwd.

Zie het als een extreem realistische videogame zoals The Sims, maar dan voor noodhulp. In deze "game" doen ze alles na wat er in het echt ook gebeurt:

De telefoontjes: Ze simuleren de stress van de centralist die moet inschatten hoe ernstig de situatie is.
De files en bochten: Ze gebruiken geen rechte lijnen op een kaart, maar echte wegen. Ze weten dat een ambulance in de spits langzamer is dan 's nachts.
De "wachtkamer-stress" (Ramping): Dit is een heel belangrijk onderdeel. Soms komt een ambulance aan in het ziekenhuis, maar is er geen bed of verpleegkundige vrij. De ambulance staat dan "vast" in de parkeerplaats van het ziekenhuis. Dat is alsof je in een taxi zit die de deur niet kan openen omdat de chauffeur moet wachten tot het restaurant een tafeltje vrij heeft; je kunt nergens heen!

2. De Puzzel van de Locatie

De grote vraag van het onderzoek is: Waar moeten we de ambulances laten staan?

Stel je voor dat je een groep pizzabezorgers hebt. Als ze allemaal in het centrum staan, zijn ze snel bij de drukke straten, maar duurt het een eeuwigheid om een pizza naar een afgelegen dorp te brengen. Als ze overal verspreid staan, zijn ze overal "dichtbij", maar zijn ze vaak te weinig bezet als er op één plek tegelijk veel bestellingen komen.

De onderzoekers testten verschillende scenario's:

Scenario A: Wat als we een extra ambulance plaatsen bij een brandweerkazerne in een druk gebied?
Scenario B: Wat als we een ambulance die 24 uur per dag werkt, veranderen in een ambulance die alleen overdag werkt?
Scenario C: Wat als we ambulances simpelweg verplaatsen van de ene naar de andere plek?

3. De Conclusie: Meer is beter dan Verplaatsen

De resultaten waren heel duidelijk. De onderzoekers ontdekten dat het verplaatsen van ambulances (het schuiven met de huidige voorraad) niet veel oplevert. Het is als het proberen te verdelen van 10 taarten over 10 kinderen; je hebt nog steeds maar 10 taarten.

De grootste winst werd behaald door extra capaciteit toe te voegen op de juiste plekken. Door een extra ambulance 24 uur per dag te stationeren bij een strategische plek (zoals de brandweerkazerne in de stad Rieti), verbeterde de snelheid waarmee hulp arriveerde enorm.

Waarom is dit belangrijk?

In de medische wereld telt elke seconde. Dit computerprogramma helpt bestuurders van de hulpdiensten om niet te hoeven gokken, maar om met harde data te beslissen waar de volgende ambulance moet staan. Zo zorgen ze ervoor dat de "digitale puzzel" in de computer de echte levens in de echte wereld kan redden.

Technische Samenvatting: Realistische Discrete Event Simulatie voor de Locatie en Inzet van Ambulances

1. Probleemstelling

De efficiëntie van Emergency Medical Services (EMS) hangt sterk af van de snelheid waarmee ambulances kunnen reageren op noodoproepen. De belangrijkste Key Performance Indicator (KPI) is de responstijd (RT): het tijdsinterval tussen de oproep en de aankomst van de ambulance op de locatie.

Het onderzoek richt zich op twee nauw verwante optimalisatieproblemen:

Locatieprobleem: Het bepalen van de optimale locaties voor ambulancebases.
Inzetprobleem (Deployment): Het bepalen van de optimale verdeling van het aantal ambulances over deze bases.

In de praktijk worden deze beslissingen vaak genomen op basis van administratief gemak in plaats van data-gedreven analyses. Bovendien zijn bestaande modellen vaak te simplistisch; ze negeren cruciale operationele vertragingen zoals triage, voorbereidingstijd, de overdracht bij de spoedeisende hulp (ED) en de impact van verkeer.

2. Methodologie

De auteurs stellen een geavanceerd Discrete Event Simulation (DES) model voor, geïmplementeerd in Python (met de SimPy bibliotheek). Het model onderscheidt zich door een hoge mate van realisme via de volgende componenten:

Stochastische Workflow: Het model simuleert het volledige proces: noodoproep $\rightarrow$ telefonische triage $\rightarrow$ dispatching $\rightarrow$ voorbereiding $\rightarrow$ rit naar de scène $\rightarrow$ behandeling ter plaatse $\rightarrow$ transport naar de ED $\rightarrow$ overdracht (inclusief Ambulance Offload Delay en ramping) $\rightarrow$ reiniging $\rightarrow$ terugkeer naar de basis.
Hiërarchische Vraaggeneratie: Om de ruimtelijke en temporele variabiliteit van oproepen te vangen, wordt een tweestapsmechanisme gebruikt: eerst wordt een 'generatiezone' gekozen op basis van historische frequentie, en daarna een specifiek 'oproepvierkant' (call square) binnen die zone.
Gecalibreerde Reistijden: In plaats van de Euclidische afstand (hemelsbreed) te gebruiken, berekent het model reistijden via het werkelijke wegennetwerk. Deze tijden worden gecalibreerd met historische data om factoren zoals verkeersdrukte en de ernst van de situatie (gebruik van sirenes) te reflecteren.
Gedifferentieerde ED-selectie: Patiënten worden niet simpelweg naar de dichtstbijzijnde spoedeisende hulp gestuurd, maar naar de meest geschikte faciliteit op basis van hun pathologie (het hub-and-spoke model).
Validatie: Het model is gevalideerd tegenover echte data van de Italiaanse autoriteit ARES 118 in de regio Lazio (provincie Rieti).

3. Belangrijkste Bijdragen

Verhoging van de Modelgetrouwheid: Het model integreert operationele vertragingen die in 66% tot 78% van de bestaande literatuur worden genegeerd (zoals triage- en voorbereidingstijden).
Modellering van 'Ambulance Ramping': Het expliciet meenemen van de tijd dat een crew vastzit bij een overvol ziekenhuis, wat de beschikbaarheid van de ambulance voor nieuwe oproepen direct beïnvloedt.
Flexibel Framework: Het model is herbruikbaar en kan worden aangepast aan verschillende regionale protocollen, vlootcomposities en ziekenhuisnetwerken.
Integratie van Simulatie en Optimalisatie: Het model dient als een betrouwbare 'evaluatie-engine' voor Simulation-Based Optimization (SBO).

4. Resultaten (Casestudy Rieti)

De auteurs voerden een scenario-analyse uit om de huidige situatie ("as-is") te vergelijken met verschillende alternatieve inzetstrategieën. De focus lag op de coverage: het percentage oproepen waarbij de responstijd binnen een bepaalde drempelwaarde (bijv. 20 minuten) blijft.

Scenario-analyse: Er werden scenario's getest waarbij ambulances werden toegevoegd of verplaatst naar brandweerkazernes (Fire Stations).
Optimale Strategie (Scenario 5): Het toevoegen van één extra ambulance met 24-uurs beschikbaarheid (H24) op de brandweerkazerne in Rieti leverde de grootste en meest statistisch significante verbetering op voor zowel urgente als niet-urgente oproepen.
Negatieve effecten: Het verminderen van de beschikbaarheid van ambulances op centrale, drukke locaties (Scenario 2) leidde tot een significante verslechtering van de dekking.
Redistributie vs. Capaciteit: Het verplaatsen van bestaande middelen zonder de totale capaciteit te vergroten (redistributie) leverde slechts beperkte of inconsistente voordelen op. Dit wijst erop dat in de regio Rieti de totale capaciteit de beperkende factor is, niet alleen de spreiding.

5. Betekenis en Conclusie

Dit onderzoek bewijst dat een realistische DES-benadering essentieel is voor effectief EMS-beheer. Simpele modellen leiden tot een overschatting van de effectiviteit van bepaalde strategieën.

De belangrijkste conclusie voor managers is:

Capaciteitsuitbreiding op strategische, drukke locaties is effectiever dan het simpelweg herverdelen van bestaande middelen.
Data-gedreven besluitvorming moet rekening houden met de interactie tussen ruimtelijke positionering en de stochastische dynamiek van het systeem (zoals ziekenhuiscongestie).

Het model biedt een krachtig instrument voor beleidsmakers om de efficiëntie en rechtvaardigheid van de spoedzorg te verbeteren zonder onnodige kosten te maken door ineffectieve herplaatsingen.