New Heuristics for the Operation of an Ambulance Fleet under Uncertainty

Este artigo propõe novos heurísticos e uma abordagem de "rollout" para otimizar a seleção e realocação de ambulâncias sob incerteza, demonstrando, através de dados reais de uma grande cidade, que esses métodos superam técnicas existentes ao melhorar os tempos de resposta e permitir decisões em tempo real.

O essencial

Imagine que a gestão de uma frota de ambulâncias é como gerenciar um time de super-heróis em uma cidade grande, onde o "vilão" é o tempo e o "poder" é a capacidade de salvar vidas. O problema é que os vilões (as emergências) aparecem de forma imprevisível, em lugares diferentes, e cada um exige um tipo específico de herói.

Este artigo, escrito por pesquisadores do Brasil e dos EUA, apresenta um novo "manual de instruções" para que esses super-heróis tomem as melhores decisões em tempo real, mesmo sem saber o que vai acontecer no futuro.

Aqui está a explicação simplificada, usando analogias do dia a dia:

1. O Grande Dilema: "Quem vai e para onde?"

O sistema precisa resolver dois problemas principais a cada segundo:

• A Escolha do Herói (Seleção): Quando um pedido de socorro chega, qual ambulância deve ir? A mais próxima? A mais rápida? Ou a que tem o equipamento certo (como um desfibrilador para um ataque cardíaco)?
• O Destino Pós-Missão (Reatribuição): Depois que a ambulância leva o paciente ao hospital e limpa o veículo, ela fica parada? Deve voltar para sua "base" original? Ou deve ir para outro bairro onde sabe-se que haverá mais problemas em breve?

2. A Solução: "O Oráculo do Futuro" (Rollout)

Antes, os sistemas de ambulância funcionavam de forma muito simples: "Mande a mais próxima". Isso é como jogar xadrez pensando apenas no próximo movimento, sem olhar para o tabuleiro inteiro. Às vezes, você manda o melhor jogador para uma peça pequena agora, e quando um "xeque-mate" (uma emergência grave) aparece, não tem ninguém forte disponível.

Os autores propuseram uma nova abordagem chamada Rollout (que podemos chamar de "Simulação do Futuro").

• A Analogia: Imagine que você é um general. Antes de enviar um soldado para uma batalha, você pega uma bola de cristal (ou um computador super-rápido) e simula 100 cenários possíveis do que pode acontecer nos próximos minutos.
• Como funciona: A cada decisão, o sistema calcula rapidamente: "Se eu mandar esta ambulância para este chamado, como ficará a cidade daqui a 1 hora? E se mandar para aquele?". Ele escolhe a opção que, em média, salva mais vidas no longo prazo, não apenas agora.

3. Os Novos "Jogadores" (Heurísticas)

Os autores criaram quatro novas estratégias (chamadas de heurísticas) para tomar essas decisões rápidas:

• O "Olho no Agora" (Best Myopic): Olha apenas para o problema imediato e escolhe a opção mais barata agora. É rápido, mas pode ser ingênuo.
• O "Visionário" (NonMyopic): Pensa um pouco à frente. Se a ambulância mais próxima está ocupada, ele pensa: "E se eu usar esta outra que está livre, mas um pouco mais longe, para que a primeira fique livre para a emergência grave que vem aí?".
• Os "Greedys" (GHP1 e GHP2): São como caçadores de oportunidades. Eles organizam a fila de esperas de forma inteligente, priorizando quem espera há mais tempo ou quem tem a emergência mais grave, e tentam encaixar as ambulâncias disponíveis de forma eficiente.

4. O Grande Teste: Rio de Janeiro

Os pesquisadores testaram tudo isso com dados reais do SAMU do Rio de Janeiro. Eles simularam o caos de uma sexta-feira à noite, com trânsito, chamadas de emergência e ambulâncias sujas precisando de limpeza.

O Resultado?

• Vitória do "Visionário": O método que usava a "Simulação do Futuro" (Rollout) combinado com as novas estratégias foi muito superior aos métodos antigos.
• Tempo de Resposta: As pessoas esperaram menos tempo pela ajuda.
• Velocidade de Decisão: O computador tomava essas decisões complexas em poucos segundos. Isso é crucial, pois em uma emergência, não dá para esperar horas por uma resposta matemática perfeita.

5. A Lição Final: Não volte para casa se não precisar

Um dos insights mais interessantes foi sobre para onde a ambulância vai depois de salvar alguém.

• Regra Antiga: "Volte para sua base fixa." (Como um funcionário que vai para casa depois do trabalho).
• Regra Nova (Best Station Rule): "Vá para onde a cidade mais precisa de você agora." (Como um bombeiro que, após apagar um incêndio, vai para o bairro vizinho onde há um grande evento e risco de fogo, em vez de voltar para o quartel vazio).

Resumo em uma frase

Este paper ensina como usar a inteligência artificial para transformar a gestão de ambulâncias de um "jogo de adivinhação" reativo em uma "estratégia de xadrez" proativa, garantindo que o herói certo esteja no lugar certo, na hora certa, salvando mais vidas no Rio de Janeiro e em qualquer lugar do mundo.

Resumo técnico

Aqui está um resumo técnico detalhado do artigo "New Heuristics for the Operation of an Ambulance Fleet under Uncertainty", apresentado em português:

Título: Novas Heurísticas para a Operação de uma Frota de Ambulâncias sob Incerteza

1. Problema Abordado

O artigo foca na gestão eficiente de frotas de ambulâncias para Serviços de Atendimento Móvel de Urgência (SAMU), especificamente em um ambiente de incerteza. O problema central envolve duas decisões dinâmicas e inter-relacionadas:

1. Seleção de Ambulância: Decidir qual ambulância despachar para uma nova chamada de emergência (ou se a chamada deve ser colocada em fila).
2. Reatribuição de Ambulância: Decidir o que fazer com uma ambulância assim que ela termina o atendimento a uma emergência (enviá-la para outra chamada na fila ou para uma estação de espera).

O modelo considera diversas complexidades frequentemente ignoradas ou simplificadas na literatura anterior:

• Incerteza: Localização, tipo e tempo de chegada das emergências são aleatórios, assim como os tempos de viagem e de atendimento.
• Tipos de Emergência e Capacidades: Diferentes emergências exigem diferentes níveis de suporte (ex: Suporte Básico de Vida - BLS vs. Suporte Avançado de Vida - ALS) e diferentes tempos de resposta.
• Fluxo de Trabalho Completo: O modelo inclui etapas como transporte ao hospital, limpeza da ambulância (no local ou em estações dedicadas) e reestacionamento.
• Fila de Espera: Diferente de modelos que assumem que chamadas sem ambulâncias disponíveis são transferidas, este modelo permite o queueing (fila) de emergências, inclusive como uma decisão consciente para chamadas de baixa urgência quando a frota está sobrecarregada.

2. Metodologia

Os autores propõem uma abordagem baseada em Programação Estocástica de Dois Estágios dentro de um framework de Rollout (Recurso de Rolo).

• Framework de Rollout:

  • A cada evento de decisão (chegada de uma chamada ou fim de serviço de uma ambulância), resolve-se um problema de otimização de dois estágios.
  • Primeiro Estágio: A decisão imediata é tomada.
  • Segundo Estágio: O custo futuro esperado é estimado resolvendo o problema para um conjunto de cenários futuros (amostras de caminhos de eventos aleatórios) utilizando uma política heurística.
  • A decisão final é aquela que minimiza a soma do custo imediato e do custo futuro estimado.

• Heurísticas Propostas para Seleção de Ambulância:

  1. Best Myopic (BM): Uma melhoria da regra "ambulância disponível mais próxima". Minimiza o custo de alocação imediato, considerando penalidades de tempo de resposta e a adequação entre o tipo de ambulância/equipe e o tipo de emergência. Não considera eventos futuros.
  2. NonMyopic (NM): Uma política não antecipativa que considera chamadas que podem chegar no futuro próximo. Se a melhor ambulância para a chamada atual estiver ocupada, o algoritmo verifica se atribuí-la a uma chamada futura (que chega antes dela ficar livre) seria mais benéfico para o sistema global.
  3. GHP1 e GHP2 (Heurísticas Gulosas): Variantes que gerenciam explicitamente uma fila de emergências.
     • GHP1: Ordena a fila pela penalidade de tempo de espera decorrido.
     • GHP2: Ordena a fila pelo custo de alocação mínimo estimado para cada chamada na fila.

• Heurística para Reatribuição (Escolha de Estação):

  • Quando uma ambulância termina o serviço e não há chamadas na fila, deve-se decidir para qual estação enviá-la.
  • Propõe-se a Best Station Rule (BSR): Envia a ambulância para a estação que apresenta o maior "déficit" de cobertura previsto para um horizonte de tempo futuro, baseado na demanda esperada por tipo de emergência. Isso contrasta com regras simples como "estação mais próxima" ou "estação de origem".

3. Principais Contribuições

1. Integração de Decisões: Diferente de muitos trabalhos que tratam apenas a seleção ou apenas a localização, este método integra seleção e reatribuição, permitindo que a decisão de onde estacionar uma ambulância livre seja otimizada para cobrir futuras demandas.
2. Modelagem Granular de Emergências: Utiliza uma classificação detalhada de emergências (como o sistema MPDS) e capacidades de equipes, em vez de apenas níveis de prioridade genéricos.
3. Gestão de Fila Consciente: Permite que chamadas de baixa urgência fiquem em fila para preservar recursos para emergências críticas, em vez de descartá-las ou atendê-las imediatamente com recursos inadequados.
4. Eficiência Computacional: As heurísticas permitem calcular decisões em poucos segundos, viabilizando o uso em tempo real, ao contrário de métodos de otimização estocástica exata (como SAA - Aproximação Média de Amostra) que podem levar horas ou dias para resolver.
5. Validação com Dados Reais: O estudo utiliza dados históricos reais do SAMU do Rio de Janeiro (2016-2018), incluindo um modelo de processo de Poisson espaço-temporal para simular a demanda.

4. Resultados Numéricos

Os experimentos foram realizados com dados do SAMU do Rio de Janeiro, simulando diferentes tamanhos de frota (10 a 30 ambulâncias) e cenários de tempo de viagem (determinísticos e estocásticos).

• Desempenho Superior: As heurísticas propostas (especialmente as versões com Rollout) superaram consistentemente 8 heurísticas da literatura (incluindo as de Andersson & Värbrand, Lee, Mayorga, etc.) e a regra básica de "ambulância disponível mais próxima".
• Métricas de Desempenho:
  • Custo de Alocação: Redução significativa nos custos totais (que combinam tempo de resposta penalizado e adequação da capacidade).
  • Tempos de Resposta: Melhoria nos tempos médios de resposta e nos quantis (ex: 90º percentil), indicando maior consistência no atendimento.
• Impacto do Rollout: O uso da abordagem Rollout (usando as heurísticas para estimar o futuro) sempre resultou em melhor desempenho do que usar as heurísticas de forma "miópica" (direta), embora com um custo computacional ligeiramente maior (ainda assim, na ordem de milissegundos).
• Reatribuição de Estação: A regra BSR (Best Station Rule) mostrou-se superior à regra de "Estação de Origem" (HSR) em cenários onde a demanda se desloca geograficamente ao longo do tempo, reduzindo os tempos de resposta em até 50% em casos específicos de teste.

5. Significância e Conclusão

O artigo demonstra que a gestão de frotas de ambulâncias pode ser significativamente melhorada através de heurísticas inteligentes que equilibram o atendimento imediato com a preparação para o futuro, sem sacrificar a velocidade de decisão necessária para operações em tempo real.

• Aplicabilidade Prática: O fato de as decisões serem computadas em milissegundos permite a implementação em sistemas reais de despacho de emergência.
• Ferramentas Disponíveis: Os autores disponibilizaram o código-fonte (C++ e Matlab) e uma interface web para visualização e gestão, facilitando a adoção por gestores de serviços de emergência.
• Futuro: O trabalho abre caminho para a inclusão de restrições de capacidade de carga das ambulâncias e otimização mais complexa de redes de saúde.

Em resumo, o estudo oferece um avanço metodológico robusto para a otimização dinâmica de recursos de emergência, provando que abordagens estocásticas aproximadas e heurísticas bem desenhadas são superiores a regras simples e mais rápidas que métodos de otimização exata para problemas em larga escala.