Selective Ambulance Dispatch Under Contextual Travel-Time Uncertainty

Resumo Técnico: Despacho Seletivo de Ambulâncias sob Incerteza Contextual de Tempo de Viagem

Declaração do Problema
A parada cardiorrespiratória fora do hospital (PCRFH) requer intervenção médica imediata, onde as taxas de sobrevivência caem significativamente com atrasos de apenas um minuto. Os despachadores de ambulâncias enfrentam um compromisso crítico: equilibrar a necessidade de resposta rápida com a capacidade limitada da frota. Estratégias tradicionais de despacho baseiam-se em territórios geográficos estáticos ou em previsões pontuais determinísticas de tempo de viagem. No entanto, regiões estáticas falham em adaptar-se ao congestionamento dinâmico, e previsões pontuais podem ser enganosas quando as condições de tráfego mudam durante o trajeto. Por outro lado, o despacho "sempre-duplo" (enviar duas ambulâncias para cada chamada de alta prioridade) garante redundância, mas consome capacidade excessiva da frota, potencialmente deixando outras áreas descobertas.

O desafio central abordado é o despacho duplo seletivo: determinar quando e qual caminho secundário justifica o custo de capacidade de despachar uma segunda ambulância. Esta decisão é complicada por incertezas de tempo de viagem correlacionadas; o congestionamento frequentemente afeta múltiplos trechos de estrada próximos simultaneamente, o que significa que uma ambulância secundária seguindo uma rota diferente ainda pode sofrer atrasos devido ao mesmo estado de tráfego subjacente.

Metodologia: O Framework IDEAL
Os autores propõem o IDEAL (Despacho Duplo Inteligente de Ambulâncias de Emergência), um framework consciente de cenários que despacha uma segunda ambulância apenas quando a "lacuna otimista" entre o caminho primário e um caminho secundário plausível excede um limiar clinicamente significativo. O framework consiste em três componentes técnicos:

1. Aprendizado de Representação Bilevel Fracamente Supervisionado:

   • Desafio: Registros históricos de despacho fornecem tempos de viagem por nível de viagem, mas não revelam as rotas específicas percorridas pelas ambulâncias.
   • Solução: O IDEAL emprega uma rede de representação bilevel. O problema de nível inferior resolve um problema de caminho mais curto baseado em tempos de aresta previstos, enquanto o nível superior atualiza os parâmetros da rede para minimizar a perda entre o tempo de caminho mais curto previsto e o tempo de viagem observado.
   • Treinamento: O modelo utiliza um método de gradiente conservador em mini-lotes para lidar com a não suavidade decorrente da seleção de caminho mais curto (onde podem ocorrer empates). Os autores provam uma garantia de convergência assintótica para este procedimento de treinamento.

2. Conjuntos de Cenários Correlacionados Contextuais via Perturbações Métricas:

   • Modelagem de Incerteza: Em vez de incertezas de aresta independentes, o IDEAL modela os tempos de viagem perturbando uma métrica compartilhada no espaço de representação aprendido. Os tempos de aresta são derivados da norma euclidiana ao quadrado de embeddings de aresta aprendidos sob uma matriz definida positiva $X$.
   • Correlação: Ao perturbar a matriz métrica $X$ (medida via divergência de Burg a partir da identidade), o modelo induz mudanças correlacionadas em todas as arestas. Arestas com representações contextuais similares respondem de forma similar à mesma perturbação métrica.
   • Previsão de Raio: Uma rede separada prevê um raio de incerteza específico ao contexto $\rho_T$ com base em erros históricos de subprevisão, definindo o tamanho do conjunto de cenários.

3. Oráculo Eficiente para Cálculo da Lacuna Otimista:

   • Formulação: O cálculo da vantagem máxima plausível de tempo de chegada (lacuna otimista) sobre o conjunto de cenários de Burg é formulado como um programa Diferença-de-Côncavos (DC) sobre a matriz métrica.
   • Algoritmo: Os autores derivam um oráculo eficiente usando o Algoritmo Diferença-de-Côncavos (DCA). O subproblema chave é reduzido a uma busca escalar unidimensional para um multiplicador de Lagrange, evitando otimização matricial de alta dimensão no momento do despacho.
   • Complexidade: Os autores fornecem garantias de complexidade para o procedimento DCA, mostrando que pode ser resolvido eficientemente em tempo real.

Principais Contribuições

• Framework de Aprendizado Inovador: O desenvolvimento de uma rede de representação bilevel fracamente supervisionada que aprende tempos de aresta específicos ao contexto a partir de dados de nível de viagem sem exigir rótulos de rota observados.
• Modelagem de Incerteza Correlacionada: Um método para construir conjuntos de cenários via perturbações métricas em um espaço de representação aprendido, capturando a correlação espacial de atrasos de tráfego de forma mais eficaz do que modelos de aresta independentes.
• Eficiência Computacional: Um oráculo eficiente para o cálculo da lacuna otimista que transforma uma otimização matricial complexa em uma busca escalar tratável, permitindo tomada de decisão em tempo real.
• Garantias Teóricas: Provas de convergência assintótica para o algoritmo de treinamento bilevel e garantias de convergência para a otimização no momento do despacho baseada em DCA.

Resultados Experimentais
O framework foi avaliado em colaboração com o Departamento de Serviços de Incêndio de Hong Kong, utilizando registros históricos de PCRFH (2014–2023) e simulações adaptativas em tempo real na rede viária da Ilha de Hong Kong.

• Desempenho vs. Baselines: O IDEAL foi comparado contra despacho baseado em regiões, despacho primário baseado no Google Maps, despacho duplo baseado no Google (sempre enviando duas) e despacho seletivo por intervalo baseado no Google.
• Otimização de Compromisso: O IDEAL alcançou um compromisso superior entre tempo de resposta e recursos. Em volumes de despacho similares, o IDEAL reduziu o tempo médio de viagem e diminuiu significativamente o risco de cauda (atrasos severos).
• Redução de Risco de Cauda: No ponto de operação "sempre-duplo", o IDEAL reduziu o arrependimento do percentil 95 (tempo perdido comparado ao caminho candidato melhor possível) de 60,9 segundos (duplo do Google) para 20,5 segundos.
• Significância Estatística: Testes de postos sinalizados pareados de Wilcoxon unilaterais confirmaram que as melhorias do IDEAL sobre todas as baselines, incluindo a forte baseline "duplo do Google", foram estatisticamente significativas ($p < 4,0 \times 10^{-7}$).
• Transferibilidade: Um teste de transferência no distrito de Sha Tin (par diferente de rede viária e depósito) demonstrou que a política aprendida permanece robusta sem retreinamento, superando baselines locais.

Significância e Alegações
O artigo alega que o IDEAL fornece uma abordagem rigorosa e baseada em dados para o problema de "redundância seletiva" em serviços de emergência. Ao modelar explicitamente a incerteza de tempo de viagem correlacionada e aprender representações específicas ao contexto, o framework evita a ineficiência do despacho sempre-duplo, enquanto mitiga os riscos da dependência de caminho único. Os autores enfatizam que a política opera como uma sobreposição em fluxos de trabalho existentes, usando motores de roteamento externos para caminhos primários e dados de capacidade local para definir limiares, garantindo interpretabilidade e auditabilidade. Os resultados sugerem que o despacho duplo seletivo, guiado pelo framework IDEAL, pode melhorar significativamente os resultados de sobrevivência para pacientes com PCRFH, reduzindo a frequência e a gravidade dos atrasos de resposta sem aumentar proporcionalmente a tensão na frota.