文摘

直接增加一个自动体外除颤器(AED)治疗心脏按压心脏骤停(OHCA)患者生存的潜力。虽然一直相当关注确定最佳的公用AED的位置,空间和时间因素,如每天的时间和距离紧急医疗服务(ems)是可以理解的。在这里,我们描述一个geocomputational遗传算法用一个新的激动人心的运营商(国际米兰),考虑空间和时间心脏骤停发生因素在评估使用的可行性台北7 - 11店作为aed的安装位置。我们的模型是基于两种AED运输模式,走/跑和开车,涉及服务的距离分别为100和300米。我们的研究结果表明不同的AED分配策略涉及到便利商店在城市设置。在商业领域,这种装置可以弥补时间差距在EMS位置时应对夜间OHCA事件。在居民区、存储设施可以从消防站弥补长距离,aed目前在台北举行的地方。

1。介绍

美国心脏协会定义心脏按压心脏骤停(OHCA)停止机械心脏活动以外的医疗环境没有证实的循环(1,2]。OHCA之间生存强烈与时间发生和第一次去心脏纤颤,4分钟或更少的视为最佳生存(3,4]。生存的潜力下降为每分钟7 - 10%,治疗延迟(5]。80%的OHCA事件发生在家里,60%的患者的事件发生在另一个人的存在6),生存是严重依赖于调度点最近的救护车或紧急医疗服务(EMS)小组7,8]。因此,EMS及时性是急诊医学研究人员的首要任务(9]。在心肺复苏(CPR)执行,等待其他形式的治疗增加OHCA生存约8% (10),心肺复苏需要自愿参与2 - 3小时的训练。安装自动体外除颤器(aed)在公共地方因此被认为是最有效的方法减少从OHCA出现的时间(第一次去心脏纤颤11- - - - - -13]。早在台北去颤项目开始于2000年6月(14),提供aed的直接目标在机场等公共场所,消防局,大学校园,和购物中心。

尽管研究关注空间分析方法和模式设计的医疗服务(15,16彻底),很少有一直在努力研究的空间和时间方面OHCA事件和EMS可用性在确定最优位置为其安装(12,17,18]。时间变化,晚上心脏骤停利率下降可能是由于人类活动在公共场所少,减少OHCA发现的概率,提高治疗延误。根据证据表明颞OHCA频率差异(19),安装除颤器规划者必须确定较高的心脏骤停的地区增加潜在的旁观者提供紧急治疗之前训练的紧急救援人员的到来。空间变化,最优AED安装位置可以弥补地理障碍提供及时EMS治疗(7]。去纤颤器已经安装在固定地点在许多城市如公园、购物中心、公交车站和机场(17]。尽管aed容易识别安装在固定位置,更高浓度在高度活跃的地区,低活性缺医少药的地区。固定AED位置必须辅以移动AED在警车和其他紧急车辆20.]。然而,由于公共安全人员经常被其它紧急情况,固定位置aed青睐的方法。

在本文中,我们描述一个geocomputational遗传算法用一个新的激动人心的运营商(国际米兰),考虑空间和时间心脏骤停发生因素在评估使用的可行性台北7 - 11店作为aed的安装位置。台北密度最高的24小时便利店,近2000服务超过二百万居民的需要。该国的公共卫生官员正在检查安装aed的可行性在许多这样的商店,以弥补短缺的ems在远离市中心的位置和商业街区在夜间时间活动更少。鉴于每安装一个AED的高昂成本7 - 11店,位置提供一个适当的子集必须确定最大的覆盖率(21,22]。这个任务需要考虑空间和时间因素包括OHCA起始时间、位置、频率、潜在AED位置之间的距离,距离EMS设施(通常消防站)。它可以被制定为子优化问题(21,22(即]或加权集合覆盖问题。,a nondeterministic polynomial time complete [NP-complete] problem) [23]。使用加权集合覆盖可以减少计算复杂性遗传算法(GA)(涉及ems的子优化问题(24,25),气体提供高实用价值场景涉及地理信息系统(GISs) (26)——例如,当比较响应时间评估EMS和救护车分配(27];气体也被用来最大化覆盖消防站,邮局,银行(22];GA收敛性能和编码的候选解决方案与适当的方法密切相关,目标函数,选择和复制操作符,参数设置,和特定的成功标准25,28)获得一组近似的解决方案(29日,30.]。

2。材料和方法

三个类别的数据被用于这项研究:OHCA信息,7 - eleven位置和消防站的位置。OHCA紧急医疗服务注册中心系统的数据是台北市政府。OHCA情况下过滤标准包括nontrauma事件从1月至12月的2010例18岁以上涉及被紧急医疗服务人员对待。注册表系统由台北市卫生部设立。数据编制的城市消防部门和台北地区医院。OHCA数据包括发病的时间和日期,地点,救护车/ EMS车辆响应时间和使用的心血管生命支持类型(先进、基本或组合)。便利店和消防局7 - 11连锁公司的数据收集和台北城市消防部门。OHCA病人的地理分布、便利店和消防站图所示1。


图1
1625 OHCA的地理分布情况下,677 7 - 11店,2010年44消防局在台北。每一个绿点表示一个OHCA的案例中,每一个紫色的点一个7 - 11店,每个红色图标一个消防站。
(一)
(一)
(b)
(b)
图2
(一)Chromosome-encoding方案。(b)提出了甘索交叉算子流。

我们建议的框架包括两个阶段:(a)确定OHCA事件的时空权重和覆盖集个人便利店和(b)使用与第一阶段发现甘索解决AED子空间和时间变化因素优化问题。我们将描述两个场景来确定AED运输从便利店到心脏骤停的受害者,与服务设定在100或300米的距离。在100米,主要运输方式是运行速度平均每分钟80 - 100米。这允许去颤4分钟时间内考虑最优保存OHCA受害者的生命。当服务设置在300米的距离时,一辆车移动平均每分钟320 - 400米的速度需要低于4分钟的目标。

2.1。时间与空间加权模型

我们假设的 OHCA病人(标记为1 ), 7 - 11店(标记为1 ), 消防局(标记为1 )于2010年在台北。每个OHCA病人作为一个对象变量来标示 属于一个病人 组成的 OHCA病人。每7 - 11店作为一个对象变量来标示 属于一个存储组 组成的 7 - 11商店。下标 在库对象 也用来表示7 - 11店铺的序列号吗 。每个消防站用一个对象变量 属于一组 组成的 消防站。

每个病人OHCA对象 有三个主要成员属性(有时称为“属性”):event_time,event_date,和疯狂的。的event_time属性表示OHCA事件的起始时间使用的格式hh:毫米:党卫军(24小时clock-00:00:00 23:59:59)event_date表示一个OHCA事件的发生日期使用格式yyyy。毫米。dd,疯狂的表示一个OHCA事件的发病位置使用 全球定位系统(GPS)地理位置的格式。接下来,我们开发了两个权重方案捕捉时空变化为其位置选择:(a)发生心脏骤停在一个给定的频率和时间地点时间变异和(b)之间的距离EMS设施和便利商店的空间变化。我们假设便利店aed弥补失去的时间当他们远离最接近EMS设施。

TWM参数、时间的心脏骤停事件分类的月和时期。确定每月一次由时间的重量 每个OHCA病人。我们认为OHCA事件发生的情况下等于我的参数值 ,用一个函数 返回1.0(夜间)或0.5(白天)根据子功能 ,这取决于每天的时间事件发生。否则, 函数返回值指示一个插值加权之和OHCA,标准化的逆距离权重: 在哪里

三个用户定义函数用于确定的月度时间体重OHCA病人: 返回日期参数传递的月。的 返回两个字符串从一个通过时间parameter-08:00 17点代表“白天”和“夜间所有其他值。“ 返回两个位置参数传递之间的欧几里得距离平面的笛卡尔坐标在地图上。的功能 和 定义如下:

接下来,我们计算一个OHCA颞重量通过结合12月重量值(重量 重量 、体重 )。变异系数(x),定义为一个比例的意思 标准偏差 ,担任OHCA体重——这样就, 与 和 计算为

SWM,更高的重量表明一个更长的距离最近的消防站。空间重量被认为是最小距离曼哈顿消防站 :

由于网状城市街道网络的特性,我们使用曼哈顿距离来计算距离消防站OHCA表示为受害者

2.2。遗传算法用一个新的激动人心的操作符(国际米兰)

我们制定了AED子优化问题作为一个在一个有限的选择 便利店的份子集,使用甘索来确定一个最佳的基于时间或空间的特征子集OHCA受害者。伪代码所示1,我们提出了甘索(甘索是实现为一个Python程序,支持未来的仿真实验和可能的扩展;所有输入/输出数据从我们的应用程序管理和处理使用量子GIS (QGIS),一个开源GIS(通用公共许可证);对OHCA源代码和输入数据信息,7 - 11的地点,和消防站位置,联系相应的作者)由九个步骤组成。

步骤1。重置所有GA参数和运营商(即。,selection, crossover, and mutation) to  their
默认设置。
步骤2。随机生成一个人口的染色体(候选人或可能的解决方案)的大小
(defulat: 300),每个 染色体包含 (默认:100)元素,和
每个元素对应序号(从1到 )的一个特定的
便利店(图2(一个))。
步骤3。分配初始种群中的每个染色体健身分数获得的目标
函数。
步骤4。重复步骤4 a-4c直到 创建了后代。
步骤4。使用轮盘赌选择概率的抽样机制
健身成比例分数,随机选择的两条染色体
人口离开父母。请注意任何染色体可以选择更多
(即。,in other iterations).
步骤4 b。采用两点交叉进程之间交换元素
父染色体,产生两个新的后代的概率 (默认值:0.8)
从每一对父母(图2 (b))。如果没有交叉出现,这两个新后代
将各自父母的精确副本。为了避免重复,重新安排父母的
元素在此之前交换,这样相同的元素移动到前面
每个染色体。
步骤4 c。变异概率每个元素的两个孩子
(默认值:0.01)和由此产生的染色体插入新的人口。
步骤5。用新的替换当前的人口。
步骤6。分配每个染色体在当前人口健身
目标函数获得的分数。
步骤7。保持最好的染色体是AED的近似全局最优解
子问题及其相关的适应性得分每一代的电流
人口。
步骤8。使用搅拌操作符,以防止过早收敛。进化应该足够
稳定,差异的最佳健康得分之和 代(默认值:20)
低于一个公差值 (默认值:10−10)。在搅拌操作符,取代 百分比
(默认值:20%)的染色体在当前人口与新随机
生成的染色体搜索引发 一代又一代。
步骤9。如果最好的健身成绩差的总和
额外的 一代又一代 然后停止进化过程和
返回AED子解最好的健身得分
其他的
步骤4。
如果
伪代码1

在步骤2中,人口规模 取决于单个染色体长度和适应度函数的细节。对于这个项目,200年和400年之间的人口规模染色体产生好的AED子问题的解决方案后测试试验1000条染色体。进化过程从步骤4到10代表“探索”之间的一个平衡整个搜索空间( )和“剥削”当前最佳解决方案来搜索最优或算法AED子的解决方案。尽管交叉率 在步骤4 b通常是应用高概率(0.7到0.9),过度使用的交叉操作可以破坏这个平衡的平衡,创造多样性导致过度过程漂移从合适的结构。多样性不足也会导致早熟收敛和局部最优,而不是全局结构。之间的平衡勘探开发实现全局最优解的可能性增加,但 突变率通常在步骤4 c是设定在一个非常低的概率(例如,0.01)。较高的突变率繁殖过多的随机人群,也会损害进化机制(26]。在甘索,交叉率 和变异率 分别为0.8和0.01,达到一个最佳的结果。

评估每个染色体的适应性得分在甘索的进化过程中,每一个 元染色体转化为一维二进制数组 的长度 相应的索引 便利店的候选人 表示选择的索引,否则0)作为参数使用下面的子优化问题适应度函数: 在哪里 表示一个 行了 列权重矩阵由所有OHCA病人的时间或空间的特点和问题 指的是 恒定的加权矩阵的行 , 代表的重量 th OHCA病人了 7 - 11店。的 操作符被定义为最大值选择元素包括:

覆盖集包含所有7 - 11店在台北:对于每个商店,别的对象是OHCA事件之一。别的OHCAs被假定 截止的一个常数distance_threshold如下:

相应的, 被定义为恒定的加权矩阵 在哪里

图3总结了从单个TWM实验使用的结果作为服务距离100米。如图所示,我们建议的甘索(图3,红色曲线)比简单遗传算法(SGA)(蓝色曲线)。的 设在表示进化一代和数量 设在健身得分的比例(重量的总和OHCA例由100家7 - 11)的总额OHCA权重。实验结果表明,新的激动人心的运营商是有效解决进化时间和性能问题。虽然甘索在前几代人表现不佳,其整体性能令人满意:通过激动人心的人口,其最好的健身价值逐渐增加180 - 400代,收益率AED位置选择的更好的解决方案。


图3
比较甘索和SGA性能超过421代。

3所示。结果与讨论

的服务距离100米,19.9%(323例)的1625心脏骤停患者的足够的覆盖区域内38.7%(262)在台北677 7 - 11店铺的运营。增加到300米距离时,78.2%(1271例)92%(623)的足够的覆盖区域内的商店。空间和时间的重量分布模式OHCA例图所示4;大的红点表示更高的SWM和TWM权重。注意TWM-associated OHCA重量集中在西方台北,人口密度更高。相比之下,OHCA权重与SWM例均匀分布在整个城市。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
图4
空间和时间的重量分布OHCA病例。(一)SWM, 100米的覆盖;(b) TWM, 100米的覆盖;(c) SWM, 300米的覆盖;和(d) TWM, 300米范围。红点表示OHCA权重。

最优解在表中做了总结1。当商店的数量仅限于100和服务距离固定在100或300米,TWM parameters-specifically覆盖率较高,180 OHCA患者(55.7%)176(54.5%)相比SWM参数。当服务距离增加到300米,704例(55.4%)由SWM TWM, 658(51.8%)的参数。总的来说,TWM和SWM覆盖率高于100米300米(55.7%,55.4%,54.5%和51.8%,分别地)。表2和图5提出一个最佳解决方案的详细比较不同的服务范围(从100年到500年米50米的步骤)和加权方案(TWM和SWM)当商店的数量用于安装aed仅限于100年和200年之间。

表1
比较的结果对不同参数设置在7 - 11便利店的数量限制在100。
表2
比较结果不同AED服务范围的7 - 11便利店的数量限制在100,150,或200。

图5
比较别的OHCA率不同的AED服务范围在7 - 11便利店的数量限制在100。

如图6(一),大多数TWM店址在高密度区域和大多数SWM位置在短的地区,或许是由于TWM偏爱夜间OHCA频率较高的位置,用大量的蓝点在台北的人口密集的西南地区。SWM参数表示倾向于远离火车站位置,这也解释了为什么大多数的绿点是在偏远的社区(参见图6(一)和表3(a))。重叠区域的黑点显示高优先级社区便利店的AED设备。

表3
比较选择7 - 11店在不同的人口密度和不同社区类型。
(一)
(一)
(b)
(b)
图6
人口密度的空间分布(a)和(b)土地利用类型与7 - 11店铺的位置根据SWM和TWM参数选择与100米服务范围。数据来自2010年的人口普查。每个点代表一个商店。据TWM蓝点显示商店选择参数和绿点根据SWM参数。黑点代表商店被两种模型。

根据图6 (b)TWM参数受欢迎的商店在商业领域(蓝点),而SWM参数支持商店在居民区(绿点)。更高OHCA发病率在商业领域显示更高水平的人类活动。注意SWM参数识别更多的AED安装点由于小数量的消防局在居民区和他们更大的距离确定便利店。尽管TWM参数确定更多的商业位置,SWM-selected位置更均匀的高收入和低密度区(表3(b)和4)。

表4
平均和标准偏差距离每7 - 11店最近的消防站(米)。

模型选择的倾向便利店在人口稠密地区基于空间和时间考虑符合所报道的马尔科姆三世et al。(18]。他们很可能由于OHCA发病率和人口密度之间的正相关联系,也解释了识别的可能性更大商店为其安装在商业领域的特点是高水平的人类活动。此外,最佳位置被TWM参数更容易被位于商业领域和在居民区SWM所确定的参数。这些结果与报道的一致Folke et al。31日]。除了强调时态变化的重要性,我们的结果凸显了需要更多的AED位置在商业领域。相反,因为居民区在台北往往有较少的业务活动和更少和更广泛的消防站,SWM趋势来确定存储在住宅区可能被视为补偿EMS效率低。

而SWM参数给优先位置远离消防站,TWM参数优先领域更大的人类/商业活动和位置(比商业住宅)和夜间OHCA发病率更高。这种重叠也强调在公共地点安装aed的重要性来弥补缺点在EMS设施数量和位置。无论使用的模型,在便利店中最有效的AED设备或其他公共位置必须考虑运输时间心脏骤停的受害者。确定重脚或车辆交通的影响是极其困难的。因此,AED安装决策必须反映OHCA事件频率和平均流量。我们的研究结果表明,短的服务距离应强调地区OHCA利率更高,更远的距离适当的流量较低的地区。

4所示。结论

在本文中,我们提出了一种新颖的框架解决np完全加权集合覆盖问题分配aed的7 - 11店在台北的一个子集。开发GA与一个新的激动人心的运营商,我们修改一个简单遗传算法通过添加新的染色体稳定的演化过程,以防止过早收敛。两个时空上加权模型(SWM和TWM)创建考虑到便利店的时空特征和OHCA事件为了验证使用我们提出的甘索的可行性解决AED的子优化问题。实验结果表明,优先级最高的安装应在台北aed社区便利店位于高密度区域。在商业领域,aed的便利店可以帮助弥补时间差距ems心脏骤停患者、特别是夜间OHCA病例。在居民区,aed便利店可以帮助弥补空间缝隙的EMS交付。

利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是支持的部分资金来自中华民国国家科学委员会(nsc - 102 - 2221 - e - 182 - 052)。这部分工作是支持高速智能通信(HSIC)研究中心,台湾长庚大学。