دانلود رایگان ترجمه مقاله مکان های مشترک و تصمیم گیری های اعزام برای خدمات اورژانس پزشکی – الزویر ۲۰۱۳

مقاله انگلیسی رایگان (PDF)

ترجمه فارسی رایگان (PDF)

خرید ترجمه با فرمت ورد

بخشی از ترجمه فارسی مقاله:

۱- مقدمه
سامانه های خدمات فوریت های پزشکی (EMS) یک خدمت عمومی است که مراقیت های ویژه خارج از بیمارستان و انتقال به یک مکان با مراقبت های معین را برای بیمارانی با بیماری ها و صدماتی که با فوریت های پزشکی سازگاری دارند فراهم می کند. هدف نهایی سامانه های EMS نجات زندگی است. توانایی این سامانه ها برای انجام مؤثر این کار، تحت تأثیر تخصیص منابع متعدد از جمله مکان سرورها، توزیع مناطق تقاضا و قواعد توزیع سرورها است. اهداف مشترک متوسط زمان پاسخ را کمینه می کنند و یا بیشترین پوشش را ایجاد می کنند. ارتباط بین زمان پاسخ کمینه و بهبود بقا در کارهای متعددی نظیر Sanchez-Mangas, García-Ferrer, de Juan, Arroyo (2010) ، McLay و Mayorga (2010,2011) گزارش شده است. یک ناحیه تقاضا در صورتی پوشش داده می شود که حداقل یک مجموعه امکانات در یک آستانه فاصله/زمان معین از ناحیه تقاضا وجود داشته باشد. مفهوم پوشش مرتبط با در دسترس بودن امکانات رضایت بخش به جای وجود بهترین نوع ممکن از آن امکانات است (Farahani, Asgari, Heidari, Hosseininia, & Goh, 2012). Li, Zhao, Zhu و Wyatt (2011) اشاره کردند که روش پوشش بیشینه متداول ترین روش مورد استفاده توسط فعالانف پژوهشگران و قانونگذاران است.
از دیرباز، تصمیمات مکان و توزیع به طور جداگانه به هم نزدیک بوده اند حتی با این که مطالعات مختلف نشان داده اند احتمال مشغول بودن سرورها (و در نتیجه زمان پاسخ و پوشش در بین دیگر شاخص های عملکرد) به مکان سرور و انتخاب استراتژی های توزیع سرور حساس است (Batta, Dolan, & Krishnamurthy, 1989; Larson & Odoni, 1981). ارسال آمبولانس فرایند تخصیص یک آمبولانس خاص به منظور پاسخ به یک تماس فوریتی است. یک سیاست ارسال آمبولانس می تواند با استفاده از روش های توزیع مختلف شکل گیرد و هیچ سیاست منحصر به فردی وجود ندارد که برای همه سامانه ها مناسب باشد (Li et al., 2011). همین نویسندگان تأکید دارند که یک سیاست ارسال باید برای دستیابی به اهداف مشخص و شاخص های عملکرد تعریف شده توسط ارائه دهندگان و قانونگذاران EMS تعریف شود. در این کار، سیاست های ارسال را در نظر می گیریم که در آن یک لیست منحصر به فرد با هر منطقه تقاضا وجود دارد که سرورهای در دسترس (آمبولانس ها) یا یک زیرمجموعه از آنها را به ترتیب اولویت ارسال، رتبه بندی می کند.
در این کار، در ابتدا یک مدل ریاضی ارائه می کنیم که مکان و تصمیمات ارسال را برای یک سامانه EMS جمع آوری می کند. این یک مدل بهینه سازی عددی غیرخطی مخلوط است که در آن حتی تولید برخی معادلات از نظر محاسباتی سنگین هستند و بنابراین کار حل کردن را سخت می کنند. مدل ابرمکعب با فراهم کردن یک مدل صریح از دینامیک صف بندی تصادفی استفاده می شود. مدل ریاضی با کمک تحلیل تصادفی نمونه های تولیدشده کوچک شکل می گیرد که هدف آن دو چیز است: ۱) با وجود اندازه کوچک، میتوان به طور کامل همه راه حل های امکان پذیر را شمرد و درنتیجه مورد بهینه را نیز شناسایی کرد که میتواند بعدا برای اهداف مقایسه ای در مقابل استراتژی های سریعتر/هوشمندتر نسبت به شمارش استفاده شود و ۲) بعد از حل کردن یک مجموعه متنوع از نمونه ها، همچنین ممکن است که به برخی روندهای عمومی مشاهده شده در جواب های عمومی نیز (با توجه به زمان پاسخ و پوشش) اشاره کرد. دوم اینکه، ما یک چارچوب بهینه سازی برای حل مسأله مکان مشترک و ارسال مبتنی بر الگوریتم های ژنتیک ارائه می دهیم. ما یک روش حل ابتکاری برای حل مدل صریح سامانه ارائه می دهیم. کار ما با رهیافت های قبلی مربوط به این مسأله متفاوت است، به این صورت که ما شکل کلی سیاست ارسال را به عنوان یک فهرست اولویت ثابت فرض می کنیم و برای هیچ ترتیب خاصی از ارسال (مثلا مبتنی بر فاصله) اولویتی را در نظر نمی گیریم. به جای آن، تصمیمات مکان و ارسال را در یک مدل ریاضی منحصر به فرد در نظر می گیریم و یک چارچوب بهینه سازی را برای جواب آن ایجاد می کنیم. در حقیقت از آنجاییکه یک بخش واحدی از نواحی تقاضای تخصیص یافته به یک سرور خاص است، می توان گفت که یک نتیجه غیر مستقیم از مدل ما نیز یک استراتژی جداسازی است: برای هر سرور در دسترس، همه نواحی دارنده آن به عنوان اولین سرور مرجح، بخش سرور را تشکیل خواهند داد.
یافته های ما بیان می کنند که در حقیقت قاعده ارسال مشترک مبتنی بر نزدیکترین سرور در دسترس منتهی به بهترین جواب ها می شود زمانی کاتالیزگر زمان پاسخ میانگین کمینه و مکان ها به طور همزمان بهینه می شوند. بالعکس، اگر هدف بیشینه کردن پوشش مورد انتظار باشد، آنگاه جواب بهینه با استفاده از قاعده نزدیکترین ارسال متفاوت خواهد بود. با این حال، بهترین جواب های مبتنی بر پوشش، افزایشی در این شاخص نشان می دهند (با توجه به پوشش به دست آمده در کمینه کردن زمان پاسخ میانگسن) که نسبتا کوچک است (۳٫۱۵% افزایش میانگین-۹۵% CI: 2.75–۳٫۵۵%) در مقایسه با فدا شدن زمان پاسخ (۶۵٫۲% افزایش متوسط-– ۹۵% CI: 56.33–۷۴٫۲۴%). اگرچه این اعداد متناظر با نتایج میانگین برای نمونه های کوچک است، نمونه های بزرگتر رفتار مشابهی را نشان دادند. روش بهینه سازی با سازگاری خوبی، جواب های خوبی را به دست داد یعنی یک شکاف ۱% در مقایسه با بهترین جواب های به دست آمده برای روش های شمارش کامل یا جزئی، که از لحاظ محاسباتی سنگین تر هستند.
بقیه این مقاله به صورت پیش رو سازمان یافته است. در بخش ۲ مسأله به همراه یک بازنگری از ادبیات موضوعی مربوط ارائه می شود. سپس، در بخش ۳، مدل ریاضی ارائه می شود. بخش ۴ یک مطالعه موردی و همچنین خلاصه ای از نتایج و کاربردها را ارائه می دهد. بخش ۵ یک توصیف مشروح از چارچوب بهینه سازی مبتنی بر الگوریتم های ژنتیک ارائه می دهد و بخش ۶ مطالعه های موردی را معرفی می کند که در آن روش بهینه سازی به کار برده شده است. بخش های ۷ و ۸، بحث روی نتایج و نتیجه گیری را به ترتیب ارائه میدهند. به عنوان بخشی از نتیجه گیری، تعمیم های ممکن از کار ذکر می شوند.

بخشی از مقاله انگلیسی:

۱٫ Introduction

Emergency Medical Service (EMS) systems are a public service that provides out-of-hospital acute care and transport to a place of definitive care, to patients with illnesses and injuries that constitute a medical emergency. The ultimate goal of EMS systems is to save lives. The ability of these systems to do this effectively is impacted by several resource allocation decisions including location of servers, districting of demand zones and dispatching rules for the servers. Common objectives are minimizing the mean response time and/or maximizing coverage. The relationship between minimizing response time and improving survivability has been reported by several works such as Sanchez-Mangas, García-Ferrer, de Juan, and Arroyo (2010) and McLay and Mayorga (2010, 2011). A demand zone is said to be covered if there is at least one facility within a predefined distance/time threshold from the demand zone. The concept of coverage is related to the availability of a satisfactory facility rather than the best possible one (Farahani, Asgari, Heidari, Hosseininia, & Goh, 2012). Li, Zhao, Zhu, and Wyatt (2011) pointed out that the coverage maximization approach is the most widely used by practitioners, researchers and regulators. Traditionally, location and dispatching decisions have been approached separately, even though various studies have shown that the servers’ busy probabilities (and therefore the response time and coverage, among other performance indicators) are sensitive to the server locations and the choice of server dispatching strategies (Batta, Dolan, & Krishnamurthy, 1989; Larson & Odoni, 1981). Ambulance dispatch is the process of assigning a particular ambulance to answer an emergency call. An ambulance dispatch policy can be formed using various dispatch methods and there is no single policy that fits all systems (Li et al., 2011). The same authors emphasized that a dispatch policy has to be designed to fulfill the particular objectives and performance indicators defined by EMS providers and regulators. In our work we consider dispatch policies in which there is a single list associated with each demand zone that ranks the available servers (ambulances), or a subset of them, in order of dispatch preference. This type of list is commonly referred to as a contingency table. The most common dispatching policy for EMS calls is rather simple in that the closest idle vehicle is usually dispatched to attend the call (Andersson & Varbrand, 2006; Goldberg, 2004). The rationale behind that policy is related to the idea of having the objective of minimizing the mean system response time. The works on allocation of distinguishable servers by Jarvis (1981) and Katehakis and Levine (1986) pointed out that under light traffic conditions using a myopic allocation policy (i.e. assigning always the closest available sever) will lead to an optimal solution, when the objective is to minimize the long run average cost (response time). For heavy traffic the same works mentioned that the optimal policy can deviate from the myopic policy. However, even in the latter case using the myopic policy still might lead to solutions that are close the optimum (Katehakis & Levine, 1986). Related literature applied to EMS systems planning included arguments against the closest dispatching rule as a way to minimize the response time. Arguments were made originally by Carter, Chaiken, and Ignall (1972) and thereafter supported by Cuninghame-Green and Harries (1988) and Repede and Bernardo (1994). In the referred works the locations of the servers are assumed to be known. We have not found references addressing the relationship between a myopic dispatching policy and expected coverage. There is usually a trade-off between response time and coverage, so that improving one of them implies a sacrifice in the other. In this work, first we present a mathematical model that integrates the location and dispatching decisions for an EMS system. It is a non-linear mixed integer optimization model in which even generating some of the equations is computationally intensive, therefore making it hard to solve. The Hypercube model is used providing an exact model of the stochastic queuing dynamics. The mathematical model is accompanied by the analysis of randomly generated small instances whose purpose is twofold: (i) given the small size it is possible to fully enumerate all feasible solutions hence also identifying the optimal, that can be used later for comparison purposes against faster/smarter solution strategies than enumeration; and (ii) after solving a variety of random instances it is also possible to point out some general trends observed in the optimal solutions (with respect to response time and coverage). Second, we present an optimization framework to solve the joint location and dispatching problem based on Genetic Algorithms (GAs). We present a heuristic solution procedure to solve the exact model of the system. Our work is different from previous approaches to the problem, for although we assume the general form of the dispatching policy, as a fixed preference list, we do not assume a priori any particular dispatching order (based on distance, for example). Instead, we model the location and dispatching decisions in a single mathematical model, and develop an optimization framework for its solution. In fact, since a district is the union of the demand zones assigned to a particular server, it can be said that an indirect result of our model is also a districting strategy: for each available server, all the zones having it as its first preferred server would form the server’s district. Our findings are that in fact the common dispatching rule based on the closest available server leads to the best solutions when the objective is minimizing the mean response time and locations are optimized simultaneously. Conversely, if the objective is maximizing expected coverage, then the optimal solution could deviate from the use of the closest dispatching rule. However, the best solutions based on coverage offer an increase of that indicator (with respect to the coverage attained by minimizing the mean response time) that is rather small (3.15% average increase – ۹۵% CI: 2.75–۳٫۵۵%) compared to the sacrifice in response time (65.2% average increase – ۹۵% CI: 56.33–۷۴٫۲۴%). Although these numbers correspond to the average results for the small instances, bigger instances showed similar behavior. The optimization procedure proposed has consistently obtained good solutions, i.e. within 1% gap compared to the best solutions obtained by full or partial enumeration procedures, which are computationally more intensive. While our main goal was the development of the optimization framework for the solution of the joint location/dispatching problem, we discovered that little benefit can be gained from the integrated approach when using the two most commonly used criteria, namely response time and expected coverage. Thus we considered two additional criteria related to fairness, and we used one of them to illustrate the potential benefits of the joint approach. In particular we tested the variance of the individual response times as a measure of fairness from the point of view of the users of the system (demand zones). We found that in this case using a myopic policy would result in a potential deviation from the optimal policy aimed at reducing disparities, as measure by the variance of the response times. We also illustrate the trade-offs among the presented optimization criteria. The rest of the paper is organized as follows. In Section 2 we provide the presentation of the problem as well as a review of related literature. Next, in Section 3 we introduce the mathematical model. Section 4 presents a small case study, as well as a summary of its results and implications. Section 5 provides a detailed description of the optimization framework based on GAs and Section 6 introduces the case studies to which the optimization procedure is applied, as well as the results obtained. The last two sections, 7 and 8 are the discussion of the results and the conclusions, respectively. As part of the conclusions possible extensions of the present work are mentioned.