惠灵顿测试机器学习调度系统,拟缩短救护车响应时间

Brainwaves: Using machine learning to cut ambulance response times

资料图:新西兰救护车
资料图:新西兰救护车 · RDNE Stock project / Pexels License

Jordan MacLachlan过去15年间因病多次被送上救护车,这段经历让他在惠灵顿维多利亚大学(Te Herenga Waka—Victoria University of Wellington)攻读博士期间,决定把自己的机器学习专业用在紧急调度系统上。他的姐姐Zoe MacLachlan是Wellington Free Ambulance的一名护理员,正是她建议他研究急救调度的决策过程——即决定究竟哪支救护队会出现在求救者门前的那套机制。

MacLachlan说,他的目标很简单:让配备合适设备的正确救护队,以更快的速度送达正确的患者手上,同时不让护理员过度疲于奔命。但他发现,这其实是实时优化问题中最难解的一类。

数据显示,截至2026年7月的12个月里,Hato Hone St John和Wellington Free Ambulance两家机构共处理了超过64万起事故出警,比截至2022年7月的12个月增长逾12%。调度员——负责统筹全国急救车队的人员——要在信息尚未明朗时就做出判断:没人知道下一次急救会在何时何地发生,患者伤情有多严重,救护队需要在现场停留多久,或是否需要送医。调度员的每一个决定都会影响后续所有决定,这不是培训或资源不足的问题,而是在根本无法预知最优解的情况下仍必须做出选择。

MacLachlan指出,护理员的工作压力也体现在职业留存率上。每当用餐时间被打断、班次延长,或救护车被改派去处理更紧急的任务,护理员都要承受一次小小的代价,长期累积下来,导致惠灵顿护理员平均在岗仅七年,这与国际趋势一致。目前约28%的护理员在注册十年后仍在一线工作,相比之下,医生的这一比例约为73%。

由Yi Mei教授领导、获新西兰商业、创新与就业部(MBIE)Smart Ideas资助计划支持的研究团队,过去五年一直在尝试解决这一问题。他们开发的系统与调度员现有系统并行运作,能实时给出下一步行动建议,并随新发事故和救护队状态更新而调整。

MacLachlan介绍,这套机器学习模型能在极短时间内向调度员提出建议,供其采纳、修改或忽略;同样的情境下系统会给出一致的建议,因此每一次决策都可事后追溯审查。团队虽无法预知未来,但可以模拟数百万次急救场景,从中找出哪些调度决策若有所不同,能可靠地改善响应时间。

2024年底,新西兰健康局(Health New Zealand)要求团队通过第三方机构Omda(一家在证券交易所上市的挪威公司)对技术进行验证。Omda模拟了Wellington Free Ambulance一年的去标识化历史数据,在相同的事故、地点和时间条件下进行测算,区别在于由MacLachlan团队的模型决定派哪支队伍、何时出发。与一套由Wellington Free Ambulance共同设计、反映调度员实际决策的基准方案相比,该模型在所有紧急程度分类中都改善了平均响应时间以及第90百分位响应时间。这一结果让新西兰健康局、新西兰事故赔偿局(ACC)和Wellington Free Ambulance决定支持展开分阶段的真实场景试验以进一步评估。

团队正与Omda合作,建立与Wellington Free Ambulance系统的对接,计划从2027年年中起开展为期六个月的被动平行测试,使用实时去标识化的数据,在不影响调度员实际决策的前提下,将每一次调度员的决定与模型给出的建议进行比对。若此次平行测试成功,团队将与合作方一起推动技术在新西兰安全落地,并进一步拓展至海外的救护服务。

受家人熟悉的那种警笛声启发,团队创办了一家名为Weewoo的公司,目前共有六名成员。

MacLachlan表示,系统正式上线后多数人或许察觉不到变化,但护理员的奔波会减少,用餐时间会更规律,救护车能更快抵达现场,更多患者能够获救。他说,这或许意味着有一天,他的姐姐能及时赶到求救者身边。

本文编译自惠灵顿维多利亚大学(Te Herenga Waka—Victoria University of Wellington)公开发布。原文:https://www.wgtn.ac.nz/news/2026/11/brainwaves-using-machine-learning-to-cut-ambulance-response-times

更多「教育科研」

查看全部 →