مشکلات استقرار آمبولانس: طبقه بندی، تکامل و بررسی مشکلات پویا

در این مقاله، یک بررسی تحلیلی از روش‌های اخیر برای مقابله با مشکل تخصیص پویا آمبولانس‌ها انجام شد. با توجه به اینکه پیشرفته‌ترین فناوری در حال حرکت به سمت مقابله با مشکلات گسترده‌تر و پویاتر برای رسیدگی بهتر به مصادیق زندگی واقعی است، این تحقیق به دنبال شناسایی تکامل و کاربردهای اخیر این نوع از مشکلات پس از شناسایی مدل‌های اساسی است. کاوش کرد. این بررسی گسترده به ما امکان داد تا جدیدترین پیشرفت‌ها در این مشکل و مهم‌ترین شکاف‌هایی را که باید مورد توجه قرار گیرد، شناسایی کنیم. از این نظر، ذکر این نکته ضروری است که مکان پویا خدمات فوریت های پزشکی (EMS) امروزه با توجه به تأثیر آن بر نتایج سیستم مراقبت های بهداشتی، موضوعی مرتبط است. مسائل مربوط به پیش بینی، شبیه سازی، ناوگان ناهمگن، استحکام، و سرعت حل مشکلات زندگی واقعی، در شکاف های شناسایی شده برجسته می شوند. کاربردهای یادگیری ماشینی چالش‌های استقرار در طول شیوع بیماری‌های همه‌گیر مانند SARS و COVID-19 نیز مورد بررسی قرار گرفت. در عین حال، یک نماد پیشنهادی سعی می‌کند به این واقعیت بپردازد که کلمه مشکل در این نوع کار در موارد بسیاری به یک مدل اشاره دارد. نماد پیشنهادی مقایسه بین مدل های پیشنهادی مختلف موجود در ادبیات را آسان می کند.

کلید واژه ها: 

آمبولانس ؛ مکان ؛ اعزام ; جابجایی ؛ اورژانس ؛ بهینه سازی ; مسیریابی ; خدمات فوریت های پزشکی (EMS)

۱٫ مقدمه

بیماری هایی مانند سکته مغزی و ایست قلبی در کنار اقامت طولانی مدت در کلینیک ها، بیمارستان ها و خانه های مراقبت، هزینه های زیادی را برای اقتصاد به همراه دارد. این وضعیت توجه جهانی را به سیستم های مراقبت های بهداشتی معطوف کرده است، با توجه به اینکه پیامد آن تأثیر قابل توجهی بر کیفیت زندگی مردم، بهره وری یک کشور و امور مالی یک کشور دارد [ ۱ ]. علاوه بر این، با توجه به وارونگی هرم جمعیت در سراسر جهان، اهمیت بیشتری پیدا کرده است که مردم بیشتر عمر کنند و کیفیت زندگی خوبی داشته باشند. این نسبت های نامتعادل بر سیستم درآمد بازنشستگی (بازنشستگی) تأثیر می گذارد و سالمندان را مجبور می کند تا سنین بالاتر کار کنند و سلامت سالمندان را ضروری می کند [ ۲ ]]. سیستم های مراقبت های بهداشتی یک عنصر حیاتی برای این منظور هستند. بنابراین، سرمایه گذاری برای بهبود جنبه های مختلف سیستم مراقبت های بهداشتی بسیار مهم است [ ۳ ].
از سوی دیگر، نتیجه فعالیت‌های روزانه که در اتاق اورژانس (ER) انجام می‌شود، نه تنها نیازمند نوآوری در تحقیقات پزشکی است، بلکه به سرعت در روش‌ها و سرعت در بردن بیماران به اورژانس نیاز دارد تا شانس بهبودی آنها افزایش یابد [ ۴ ، ۵ ]. ]. به عنوان مثال، در مورد سکته مغزی حاد، مزایای استفاده از درمان rtPa مشهود است که در کمتر از ۴٫۵ ساعت پس از رویداد سکته مغزی داده شود [ ۱ ]. در مورد حمله قلبی، هر دقیقه تاخیر در درمان بیمار، احتمال زنده ماندن را ۱۰ درصد کاهش می دهد. علاوه بر این، احتمال اینکه بیمار با برخی ناتوانی‌ها باقی بماند با گذشت زمان افزایش می‌یابد [ ۵ ، ۶ ، ۷ ]]. این ناتوانی‌ها ممکن است باعث ایجاد شرایط دیگری مانند زوال عقل شود که باعث می‌شود فرد دوباره وارد سیستم شود تا درمان اضافی دریافت کند، هزینه‌های سیستم را افزایش داده و کیفیت زندگی بیمار را تحت تأثیر قرار دهد [ ۱ ، ۸ ].
در بسیاری از موارد، ادامه زندگی به شغلی برای انجام فعالیت های روزمره بستگی دارد [ ۱ ، ۸ ، ۹ ]. این تاثیر در بیماری های قلبی عروقی (CVD) مانند سکته مشهود است. بر اساس WHO (سازمان بهداشت جهانی)، CVD باعث مرگ ۱۷٫۹ میلیون نفر در سال ۲۰۱۶ شد که نشان دهنده هزینه کل حدود ۹۰۰ میلیارد یورو [ ۱۰ ] است که ۵۰٪ آن توسط هزینه های مستقیم مراقبت از جمله بستری شدن در بیمارستان، مشاوره خارجی توصیف می شود. ، هزینه های دارو و مراقبت در منزل [ ۱۱ ]. به همین ترتیب، ۲۷ درصد از کل هزینه ها توسط هزینه های غیرمستقیم و مابقی توسط هزینه های غیرمستقیم به اقتصاد به دلیل مرگ و از کارافتادگی زودرس تعلق می گیرد [ ۱۲ ].
بنابراین، پاسخ سریع آمبولانس‌ها عاملی حیاتی در نتایج خوب در اورژانس است که هم بر احتمال بقا و هم بر داشتن ناتوانی تأثیر می‌گذارد [ ۱۳ ] و آن را برای همه کشورها ضروری می‌سازد [ ۱۴ ، ۱۵ ، ۱۶ ، ۱۷ ]. از این نظر، بررسی های مختلفی قبلا انجام شده است. با این حال، هیچ یک از آنها سعی نکردند هم مشکل مسیریابی آمبولانس و هم مشکل استقرار آمبولانس را به طور همزمان پوشش دهند، علیرغم ارتباط نزدیک این مشکلات. علاوه بر این، این نظرسنجی تلاش می‌کند جدیدترین تحقیقات مربوط به استقرار مجدد پویا و هوش مصنوعی (AI) را برای مقابله با جنبه‌های مختلف مشکل، مانند پیش‌بینی تقاضا و استقرار مجدد، ترکیب کند.
مقاله به شرح زیر سازماندهی شده است: بخش ۲ روش مورد استفاده در فرآیند بررسی را شرح می دهد. بخش ۳ شامل توصیفی از فرآیند خدمات آمبولانس از لحظه ورود تماس اورژانس تا لحظه دریافت بیمار در بیمارستان است. آمبولانسی که اکنون رایگان است باید به مکان مشخصی برود تا منتظر تماس بعدی باشد. بخش ۴ طبقه بندی مکان آمبولانس و مشکلات مسیریابی را ارائه می کند. بخش ۵ مشکل مکان آمبولانس را با تجزیه و تحلیل اهداف اصلی، محدودیت‌ها، اکتشافات و سایر جنبه‌های در نظر گرفته شده برای این مشکل توسط محققان مختلف توصیف می‌کند و نتایج بررسی ادبیات در رابطه با رویکردهای پویا را تحلیل می‌کند. در نهایت، در بخش ۶، برخی از نتیجه گیری ها با شکاف های تحقیقاتی شناسایی شده در فرآیند تشریح می شود.

۲٫ روش بررسی

این کار، که به عنوان یک مرور ادبیات سیستماتیک مشکلات مکان آمبولانس پویا انجام شد، در چهار مرحله با پیروی از دستورالعمل‌های PRISMA و روش توصیف شده توسط سانچز و همکاران انجام شد. [ ۱۸ ]. در مرحله اول، رشته های query را ساختیم. مرحله دوم بر گردآوری نتایج بالقوه در پایگاه داده Web of Science (WoS) متمرکز بود. سوم بر حذف و گنجاندن نتایج بر اساس معیارها متمرکز بود. در نهایت مرحله چهارم شامل توصیف و تحلیل ادبیات منتخب بود.
جستجو با استفاده از کلمات کلیدی زیر انجام شد: آمبولانس، EMS، استقرار پویا، مکان پویا، جابجایی، و جابجایی. مرور ادبیات خاکستری را در نظر نگرفت. اگرچه WoS و Scopus بسیاری از ویژگی‌های مجلات با کیفیت را به اشتراک می‌گذارند، طبق [ ۱۹ ] از نظر پوشش و دقت نیز متفاوت هستند. به گفته سانچز و همکاران. [ ۱۸ ]، اگرچه Scopus مجلات بیشتری را نسبت به WoS پوشش می‌دهد، اما تمایل دارد از فهرست‌بندی مقالات بیشتر غفلت کند و باعث از دست رفتن اطلاعات احتمالاً مرتبط شود. علاوه بر این، WoS دارای شهرت قوی در نمایه سازی مجلات در زمینه علم و فناوری و دقت بهتر در طبقه بندی مجلات است [ ۱۸ ، ۱۹ ]]، به ما امکان می دهد به اطلاعات به روزتر و طبقه بندی شده بهتر دسترسی پیدا کنیم. مرتبط بودن مجلات قابل دسترسی به ما این امکان را می دهد که مطمئن باشیم که اطلاعات مورد استفاده در بررسی مناسب است.
موارد فوق، در ارتباط با روش بررسی و معیارهای ورود و خروج، به کاهش تلاش‌ها برای کاوش اطلاعات علمی با کیفیت کمک کرد، زیرا این بررسی به دنبال تعیین جدیدترین و مرتبط‌ترین پیشرفت‌ها و کاربردها در مشکلات مکان‌یابی آمبولانس پویا است. نمای کاملی از کل فرآیند بررسی در شکل ۱ نشان داده شده است . رشته پرس و جو اولیه (QS) این بود:
جابجایی EMS* یا استقرار مجدد EMS* یا مکان پویا EMS* یا استقرار پویا EMS* یا آمبولانس*
فرآیند فیلتر که در شکل ۱ نشان داده شده است به ما امکان می دهد ۴۹ سند را بررسی کنیم. روند انتشار مقالات منتخب را می توان در شکل ۲ مشاهده کرد . از این رقم می توان نتیجه گرفت که تعداد انتشارات مرتبط با این موضوع رو به افزایش است که نشان می دهد این موضوع یک موضوع پژوهشی مرتبط در جامعه علمی است. این موضوع با توجه به تأثیر آن، همانطور که در مقدمه توضیح داده شد، حیاتی است.
فرآیند جستجو مراحلی را دنبال کرد که توسط سانچز و همکاران توضیح داده شد. [ ۱۸ ]. کلمات کلیدی مورد استفاده در این فرآیند عبارتند از مکان، جابجایی، آمبولانس، استقرار، یادگیری ماشینی، پیش بینی و جابجایی مجدد. مطابق شکل ۳ ، شبیه سازی و EMS مرتبط ترین موضوعات در مشکلات مکان/جابجایی آمبولانس هستند. این واقعیت نشان می دهد که شبیه سازی یک روش حل مکرر برای این نوع از مسائل است. از نمودار نیز می توان نتیجه گرفت که نگرانی قابل توجهی در مورد گنجاندن موضوعات مربوط به سهام وجود دارد.
با این وجود، مفهوم پوشش کلاسیک هنوز در کاغذهای فیلتر شده مرتبط است. این شکل همچنین نیاز به استانداردسازی در این نوع مشکل را نشان می دهد. به عنوان مثال، کلمات، استقرار، و مکان برای مقابله با وضعیت مشابه استفاده می شود. وضعیت مشابهی با کلمات redeployment و relocation اتفاق می افتد.
علاوه بر این، مشخص نیست که این جابجایی چه زمانی ایستا یا پویا در نظر گرفته می شود. همچنین با توجه به تعداد مقالاتی که از این رویکرد استفاده می کنند، اشاره به ارتباط استاتیکی مجدد استاتیکی دارد. این نوع رویکرد معمولاً با جداول انطباق اجرا می شود. به همین ترتیب، مفهوم پوشش اغلب با زمان پاسخ مرتبط است. با این وجود، تلاش برای زمان‌های پاسخ متوسط ​​کمتر به معنای به دست آوردن نرخ بقای بهتر نیست [ ۷ ]] در خیلی از موارد. بنابراین، یک رویکرد تصمیم گیری استقرار/ اعزام یکپارچه برای نتایج سیستم حیاتی است. همانطور که قبلاً ذکر شد، معیارهای برابری، چه در تابع هدف و چه در فرآیند تصمیم گیری، در حال برجسته شدن هستند. همچنین ذکر این نکته مهم است که معیارهای حقوق صاحبان سهام تک بعدی نیستند. با این حال، جنبه های مختلف یک بهینه سازی چند هدفه در تابع هدف و اکتشافی در فرآیند تصمیم گیری را مجبور می کنند. استفاده از اکتشافی همچنین سعی می کند با نیاز به دستیابی به نتایج سریع در استقرار مجدد پویا مقابله کند.
از هر مقاله، اطلاعات مهم مربوط به موارد زیر است:
  • مشکل حل شده؛
  • مدل استفاده شده؛
  • هدف بهینه سازی؛
  • ابزارهای بهینه سازی؛
  • نتایج.
این اطلاعات برای تجزیه و تحلیل تحولات اخیر در مورد مشکلات مکان یابی آمبولانس پویا پردازش و سازماندهی شد.

۳٫ فرآیند خدمات آمبولانس

خدمات فوریت های پزشکی (EMS) اساساً به ارائه مراقبت های پزشکی حاد خارج از بیمارستان و انتقال بیماران به بیمارستان ها برای مراقبت های قطعی اشاره دارد [ ۲۰ ]. با این وجود، برای درک بهتر فرآیند، فرصت‌های بهبود آن و عوامل مختلف درگیر در آن و تأثیرگذاری بر عملکرد آن، لازم است فرآیند توصیف شود.
در فرآیند خدمات آمبولانس، گروهی از فعالیت‌ها انجام می‌شود که معمولاً با دریافت یک تماس و درخواست اطلاعات لازم برای شناسایی شدت بیمار شروع می‌شود تا تصمیم‌گیری شود تا مشخص شود کدام وسیله نقلیه بهترین جایگزین برای ارسال است. سایت اورژانس فاصله از وسایل نقلیه بیکار بر این فرآیند تصمیم گیری تا محل اورژانس، نوع آمبولانس مورد نیاز به دلیل شدت اورژانس و در دسترس بودن آمبولانس های بیکار تأثیر می گذارد. رویه‌های مختلفی برای تصمیم‌گیری اینکه کدام آمبولانس می‌تواند یک اورژانس خاص را ارائه دهد وجود دارد، که بین هر سفارش در عوامل در نظر گرفته شده در فرآیند و ابزارهای مورد استفاده برای تصمیم‌گیری متفاوت است [ ۵ ].
هنگامی که وسیله نقلیه به محل رویداد می رسد، خدمه مراقبت های پیش بیمارستانی را انجام می دهند. سپس در صورت لزوم بیمار با توجه به خدماتی که در بیمارستان وجود دارد و نزدیک بودن آن به محل اورژانس تعیین و به بیمارستان منتقل می شود. سپس، پس از تحویل بیمار به بیمارستان، آمبولانس باید خود را در یک نقطه خاص قرار دهد و منتظر خدمات بعدی باشد [ ۵ ، ۷ ، ۲۰ ]. فعالیت موقعیت یابی را می توان با در نظر گرفتن یک موقعیت ثابت یا یک موقعیت پویا بسته به پیش بینی وقوع اضطراری اجرا کرد.
شکل ۴نشان می دهد که برخی از عملیات در این فرآیند، مانند تثبیت بیمار در محل اورژانس، در حوزه پزشکی است. سایر رویه ها در حوزه اداری مانند زمان بیمارستان است که در آن خدمه ممکن است برخی از عملیات پزشکی کمکی را انجام دهند. با این حال، هدف اصلی انتقال اطلاعات در مورد بیمار، علائم حیاتی، اقدامات پزشکی کاربردی و سایر موارد است. دیسپچر وظایف اداری را با کمک یک سیستم اطلاعاتی انجام می دهد. این سیستم اطلاعاتی باید به دیسپچر امکان تعیین موقعیت آمبولانس های مختلف بیکار و فاصله از محل اورژانس تا بیمارستان مقصد را بدهد. دیسپاچر در این مرحله گزارش اضطراری را ارزیابی می کند و درجه شدت حادثه را تعیین می کند تا تصمیم اعزام را ادامه دهد. این تصمیم شامل تعیین نوع و مقدار وسایل نقلیه مورد نیاز برای خدمات رسانی به تماس اضطراری است که در زمان اضطراری در دسترس است. هنگامی که دیسپاچر آمبولانس(ها) را به اورژانس اختصاص می دهد یا بیمارستان مقصد را تعیین می کند، آمبولانس(ها) باید در اسرع وقت به مقصد برسند. در این موارد، یک مشکل مسیریابی ظاهر می شود.
با این وجود، ذکر این نکته ضروری است که سیاست دیسپاچینگ در تصمیم گیری مرتبط است و ممکن است بر نتیجه سیستم از نظر میزان بقا تأثیر بگذارد. بنابراین، این تصمیم اداری، که اغلب توزیع کننده می گیرد، اخیراً با تصمیم مکان/جابه جایی ادغام شده است. در نهایت، آمبولانس بیکار باید به نقطه موقعیت خود برسد و دوباره با مشکل مسیریابی برخورد کند. تصمیم در مورد مکان / جابجایی آمبولانس می تواند پویا یا ایستا باشد. هنگامی که پویا است، این موقعیت ممکن است در زمان بسته به تماس های دریافتی تغییر کند، به عنوان مثال، سیستم خود را با تکامل نیازهای ترافیک در زمان وفق می دهد. هنگامی که ایستا است، آمبولانس همیشه هنگامی که بیکار می شود یا با یک برنامه یا شرایط ثابت جابجا می شود، به همان نقطه محل برمی گردد. ذکر این نکته ضروری است که مشکلات مسیریابی و مکان یابی برای عملکرد خدمات آمبولانس قابل توجه است. این واقعیت که مشکلات مسیریابی بارها در طرح ظاهر می شوند به این معنی نیست که مشکلات مسیریابی مهمتر از مشکلات مکان هستند. یک مکان خوب می تواند زمان سفر با آمبولانس را کاهش دهد. از این نظر، هم مشکلات مسیریابی و هم موقعیت مکانی را می توان تصمیمات عملیاتی در نظر گرفت. با این وجود، این تصمیمات عملیاتی از سیاست های مشخصی پیروی می کنند که در سطح استراتژیک تعریف شده اند.
در فرآیند نشان داده شده در شکل ۴ ، دو شرایطی که بر عملکرد خدمات آمبولانس تأثیر می‌گذارند باید پرداخته شوند. این شرایط زمانی اتفاق می‌افتد که دیسپچر یک آمبولانس را به اورژانس می‌فرستد و زمانی که وسیله نقلیه دوباره برای سرویس‌دهی یک رویداد جدید در دسترس می‌شود. در حالت اول، یک یا چند آمبولانس دیگر در دسترس نیستند زیرا در حال خدمات رسانی به سایر اورژانس ها هستند. در این حالت آمبولانس های موجود نمی توانند نزدیک محل وقوع اورژانس بعدی قرار بگیرند. در حالت دوم، یک یا چند وسیله نقلیه غیرقابل دسترس وضعیت خود را به موجود تغییر می دهند. دیسپاچر باید تصمیم بگیرد که هر آمبولانس را در کدام مکان بفرستد تا منتظر اورژانس بعدی بماند.
هنگامی که تصمیم به مکان یابی به عنوان یک تصمیم پویا در نظر گرفته می شود، و عملکرد سیستم پزشکی متمرکز است، ناظران سیستم پزشکی باید به مرور زمان، مکان ناوگان خودروهای مراقبت پزشکی را در فضای جغرافیایی که خدمات مورد نیاز است تعیین کنند. . مکان باید در نظر داشته باشد که در مواقع اضطراری آینده، زمان پاسخگویی کافی باشد. بسته به هر مورد خاص، تصمیم گیری مکان ممکن است شامل موارد زیر باشد: انواع وسیله نقلیه برای مکان یابی (ناوگان ناهمگن). مکان های مجاز برای این آمبولانس ها؛ تعداد آمبولانس هایی که می توان در هر مکان خاص به طور همزمان اختصاص داد (ظرفیت مکان). انواع مختلف شرایط اضطراری؛ و محدودیت های ناشی از انواع مختلف وسایل نقلیه موجود برای پاسخگویی به انواع خاصی از شرایط اضطراری.

۴٫ طبقه بندی مشکلات مکان و مسیریابی آمبولانس

نگاهی به فرآیند برنامه ریزی EMS به درک مسیریابی آمبولانس و مشکلات مکان یابی کمک می کند. به گفته رویتر-اپرمن و همکاران. [ ۲۱ ]، برنامه ریزی EMS به بخش های زیر تقسیم می شود: طراحی کلی خدمات، تدارکات برای تحقق مزایا، و تجزیه و تحلیل خدمات.
قوانین و مقررات موجود عمدتاً طراحی خدمات را تعیین می کند. علاوه بر این، تصمیمات کلی باید گرفته شود. به عنوان مثال، آیا تعیین نزدیکترین آمبولانس به اورژانس همیشه بهترین تصمیم است. از سوی دیگر، دو عامل مهم دیگر برای عملکرد مناسب سیستم باید در نظر گرفته شود. این دو عامل لجستیک و تحلیل هستند. هدف اصلی لجستیک این است که تضمین کند که سیستم تمام مقررات، استانداردها و قوانین کشور را رعایت می کند و به طور همزمان خدمات مناسب را ارائه می دهد.
از سوی دیگر، تجزیه و تحلیل سیستم مربوط به پردازش تمام اطلاعات مربوط به سیستم، مانند زمان سفر، مدت مراقبت های پیراپزشکی در محل، زمان از محل اورژانس تا بیمارستان و موارد دیگر است. از این داده ها می توان برای پیش بینی تقاضای آینده و کمک به تعیین تعداد آمبولانس های مورد نیاز و مکان آنها استفاده کرد. در نهایت، این داده ها همچنین می توانند برای نظارت بر عملکرد سیستم و بررسی اینکه آیا استانداردها، قوانین و مقررات مطابقت دارند استفاده شود. هر دو لجستیک و تجزیه و تحلیل در زمینه تحقیقات عملیاتی در مورد فرآیند برنامه ریزی EMS هستند. این فرآیند برنامه ریزی استراتژیک (تعیین اندازه سیستم)، تاکتیکی (هنگام تعیین مکان بر اساس تقاضای مورد انتظار آینده) و سطوح عملیاتی (هنگام کار بر روی داده های زمان واقعی و تصمیم گیری در مورد جابجایی) را پوشش می دهد.
این سه افق برنامه ریزی با هم تعامل دارند و بر بسیاری از تصمیمات دیگر در سیستم تأثیر می گذارند. به عنوان مثال، سیاست جابجایی، تعداد آمبولانس‌ها و نوع آمبولانس‌ها بر تصمیم‌گیری‌های حجم کار تأثیر می‌گذارند. این شرایط همچنین نیاز به یک فرآیند تصمیم گیری برای یافتن بهترین راه برای تعیین شیفت ها دارد و تضمین می کند که تمام مکان ها و جابجایی ها می تواند انجام شود و خدمه خسته نمی شوند، با توجه به اینکه این امر بر کیفیت خدمات تأثیر می گذارد. در مورد نوع آمبولانس، متداول ترین نوع آمبولانس Advanced Life Support (ALS) و Basic Life Support Advanced Life (BLS) است. خدمه مورد نیاز برای هر کلاس متفاوت است. شکل ۵ روابط بین رشته های مختلف و مشکلات مربوط به برنامه ریزی EMS را نشان می دهد.
به گفته رویتر-اپرمن و همکاران. [ ۲۱ ]، برنامه ریزی EMS شامل رشته های مختلفی مانند لجستیک، طراحی خدمات و تجزیه و تحلیل است. خود این سه دامنه دارای مشکلات مختلفی هستند. در شکل ۵ ، خط نقطه چین ناحیه انضباطی را نشان می دهد که مشکلات مسیریابی و مکان یابی آمبولانس به آن تعلق دارد. بسیاری از محققین سعی می کنند با استفاده از ابزارهای مختلف، با در نظر گرفتن محدودیت ها یا مفروضات دیگر، این مشکل را برطرف کنند. در اغلب موارد، مطالعه مقاله برای تعیین دامنه رویکرد محقق ضروری است. با این حال، در برخی موارد، برخی از جنبه های مشکل آشکار نمی شود.
علاوه بر این، در برخی موارد، مدل‌های پیشنهادی، مشکلات نامیده می‌شوند و باعث سردرگمی می‌شوند. بنابراین، مقایسه بین مسائل مختلف موجود در ادبیات مشکل می شود. لازم است نمادی داشته باشیم که مقایسه رویکردهای مختلف را با روشن کردن مفروضات در نظر گرفته شده در مسئله، از جمله جنبه های دیگر، آسان کند. یک نماد سه گانه برای مقابله با این وضعیت پیشنهاد شده است. فیلدهای زیر سه گانه را تشکیل می دهند:
α: حرف آلفا نشان دهنده فیلد اول است. این فیلد دامنه مشکل را نشان می دهد. این واقعیت به این معنی است که اگر مشکل سعی کند یک مسیریابی یا یک مشکل مکان یا هر دو را برطرف کند. حروف مورد استفاده عبارتند از:
  • SL – برای مشکلات مکان یا استقرار استاتیک. این واقعیت به این معنی است که آمبولانس ها در طول زمان مکان یا نقطه پایه ثابتی دارند.
  • DL – برای مشکلات مکان پویا. این واقعیت به موقعیت هایی اشاره دارد که در آن آمبولانس ها در طول زمان موقعیت خود را تغییر می دهند.
  • BER – برای مشکلات مسیریابی با در نظر گرفتن مسیریابی پایگاه به سایت اضطراری.
  • EHR – برای مشکلات مسیریابی با توجه به مسیریابی یک سایت اورژانسی به بیمارستان.
  • HLR – برای مشکلات مسیریابی با توجه به مسیریابی بیمارستان به مکان.
  • FR – برای مشکلات مسیریابی کامل، یعنی شامل سه مشکل مسیریابی است.
وقتی این فیلد خالی است به این معنی است که جنبه خاصی در محدوده مسئله گنجانده نشده است. به عنوان مثال، ترکیب (DL-FR) به یک مکان پویا و یک مشکل مسیریابی کامل اشاره دارد. از سوی دیگر، نماد (DL) تنها به یک مشکل مکان پویا اشاره دارد.
β: حرف بتا نشان دهنده فیلد دوم سه گانه است. این فیلد نشان دهنده محدودیت های در نظر گرفته شده در مسئله است. این محدودیت‌ها به برخی از ویژگی‌های مسئله اشاره می‌کنند که بر روی راه‌حل تأثیر می‌گذارند، بسته به اینکه آنها گنجانده شده باشند یا نه. در این قسمت از حروف زیر استفاده می شود:
  • VF – برای مشکلات مربوط به خرابی خودرو.
  • MP – برای مشکلات چند دوره ای.
  • Po-برای مشکلات در نظر گرفتن جابجایی در نتیجه حوادث اضطراری.
  • DPl – برای مشکلات مربوط به مسائل مربوط به سیاست دیسپاچینگ.
  • WF – برای مشکلات مربوط به شیفت های نیروی کار و روزهای کاری.
  • SF – برای مشکلات پرداختن به سناریوهای با تقاضای تصادفی.
  • DF – برای مشکلات با توجه به پیش بینی تقاضا.
  • ST – برای مشکلات در نظر گرفتن زمان های مسیریابی تصادفی.
  • RS – برای مشکلات با توجه به انعطاف پذیری سیستم.
  • در-برای مشکلاتی که نوع آمبولانس را در نظر می گیرند. به عنوان مثال، اگر مشکل A1 باشد – تمام آمبولانس های در نظر گرفته شده در مدل برابر هستند، یعنی یک نوع آمبولانس در مدل وجود دارد. اگر مدل A2 باشد، دو نوع آمبولانس وجود دارد (ALS و BLS).
  • BU—برای مشکلات مربوط به آمبولانس های پشتیبان، مانند مشکلات استاندارد دوگانه.
  • FI – برای مشکلات در نظر گرفتن مسائل مالی.
در این حالت، اگر یک کد حرف در قسمت سه گانه گنجانده نشده باشد، فرض می شود که مشکلات این محدودیت را در نظر نمی گیرند. برای مثال فرض کنید حروف اعلام شده (SF-BU) باشد. در آن صورت، مشکل تصادفی بودن در پیش بینی ها و آمبولانس های پشتیبان را حداقل دو آمبولانس در پوشش یک منطقه در نظر می گیرد. سایر زمینه ها به این معنی است که آمبولانس ها خرابی مکانیکی ندارند، نیروی کار همیشه در دسترس است، زمان سفر قطعی است، مشکل یک دوره واحد را در نظر می گیرد، خط مشی اعزام نزدیکترین سرور بیکار موجود است، سیاست محلی سازی یک اولویت است (یک برنامه ریزی شده جابجایی در صورت شلوغ شدن آمبولانس خاصی). تنها یک نوع آمبولانس در این مشکل وجود دارد.
γ: فیلد سوم با حرف گاما نمایش داده می شود. این فیلد نشان دهنده هدف(های) بهینه سازی در نظر گرفته شده در مدل است. در این قسمت از حروف زیر استفاده می شود:
  • PS – احتمال بقا (بیشینه سازی).
  • E-برابر (بیشینه سازی).
  • NS – تعداد افراد خدمت شده (بیشینه سازی).
  • RT – زمان پاسخ (به حداقل رساندن).
  • د-فاصله (به حداقل رساندن).
  • ج-پوشش (بیشینه سازی).
  • PN – پنالتی (به حداقل رساندن).
  • UD – تقاضای بدون پوشش (به حداقل رساندن).
  • S-بازماندگان (بیشینه سازی).
  • RL – تعداد جابجایی ها (به حداقل رساندن).
  • CS – اندازه خدمه (به حداقل رساندن).
  • Ct – هزینه (به حداقل رساندن).
  • TR – زمان جابجایی (به حداقل رساندن).

۵٫ مشکلات مکان آمبولانس

۵٫۱٫ مسائل اساسی استاتیک

برای مکان یابی دقیق آمبولانس ها، حکیمی [ ۲۲ ] مدل p- media را پیشنهاد کرد. هدف مدل p- media این است که میانگین فاصله پیش‌بینی‌شده را با توجه به تعداد محدودی از نصب‌ها ( p ) به حداقل برساند و تمام تقاضا را پوشش دهد. حکیمی [ ۲۲ ] همچنین یک مدل P -center را پیشنهاد کرد که به دنبال به حداقل رساندن حداکثر فاصله برای تمام نقاط تقاضا تا نصبی است که به آنها اختصاص داده شده است.
Toregas [ ۲۳ ] یک فرمول خطی عدد صحیح را برای مکان EMS بر اساس این اصل پیشنهاد کرد که EMS باید یک مقدار آستانه زمان پاسخ را برآورده کند تا احتمال بقای افراد آسیب دیده را به حداکثر برساند. هدف از این فرمول، به حداقل رساندن تعداد امکانات مورد نیاز برای پاسخگویی به تقاضا در مقدار آستانه زمان پاسخ بود. این مدل به عنوان مشکل پوشش مجموعه مکان (LSCP) شناخته می شود. این رویکرد اول به آنها امکان می دهد تشخیص دهند که کاهش این مقدار آستانه ممکن است به طور تصاعدی تعداد امکانات مورد نیاز را افزایش دهد ( شکل ۶ ).
با توجه به اینکه آمبولانس های زیادی در مناطق روستایی مورد نیاز است، رعایت استاندارد خدمات مشابه برای موقعیت های روستایی و شهری از نظر اقتصادی مقرون به صرفه نبود. بنابراین، تورگاس [ ۲۴ ] پیشنهاد کرد که استانداردهای خدماتی متفاوتی برای مناطق شهری و روستایی برای دستیابی به راه حل های قابل اجرا تعیین شود.
از سوی دیگر، سیستم‌های مراقبت‌های بهداشتی معمولاً حداکثر مقدار پولی برای خرج کردن دارند، یعنی تعداد ثابتی آمبولانس برای استقرار یا مکان‌یابی. بنابراین، منطقی است که مشکل را به عنوان به حداکثر رساندن تقاضای تحت پوشش در استاندارد(های) خدمات بیان کنیم. این مدل به عنوان مشکل مکان پوشش حداکثر (MCLP) شناخته می شود و توسط چرچ و رول [ ۲۵ ] پیشنهاد شد. راه‌حل این رویکرد نشان می‌دهد که با افزایش تعداد آمبولانس‌ها، بهره پوشش حاشیه‌ای کاهش می‌یابد و نمودار مشابهی به دست می‌آید، همانطور که در شکل ۷ نشان داده شده است.. در مجموع، این چهار رویکرد (P-central، P-media، LSCM، و MCLP) مبنایی را تشکیل می دهند که بیشتر مدل های مکان یابی آمبولانس بر اساس آن توسعه یافته اند. همه آنها برای تخصیص تسهیلات EMS (یعنی آمبولانس)، بسته به شرایط عینی و خاص مشکل، مناسب هستند.
Torregas [ ۲۳ ] الحاقاتی از این مدل های پایه را معرفی کرد. توسعه‌های مدل‌های پایه در نظر می‌گیرند که تعداد آمبولانس‌های مورد نیاز برای خدمات رسانی به یک منطقه خاص باید بیشتر از ۱ باشد. این افزونه‌های چندسرویس MS-LSCP و MS-MCLP هستند. در این مشکلات، هدف ارائه پوشش خدمات α است. فرض کنید یک آمبولانس مشغول است و نمی تواند یک تماس اضطراری جدید در منطقه خود ارائه دهد. در آن صورت، تنها مرکز دیگری که در استاندارد پاسخ قرار دارد می‌تواند به این اضطراری جدید خدمت کند.
در نظر گرفتن انواع مختلف آمبولانس ها موضوعی است که در سراسر جهان اهمیت پیدا می کند، با توجه به اینکه وجود دو نوع آمبولانس در ناوگان (ALS و BLS) ممکن است به بهبود نتیجه سیستم کمک کند [ ۱۶ ، ۲۵ ، ۲۶ ] . در چنین شرایطی، با توجه به شدت وضعیت بیمار که نیاز به خدمات آمبولانس دارد، باید تماس ها را در اولویت قرار داد. به عنوان مثال، برای اولویت ۱، ALS می تواند اجباری و جایگزینی برای تماس های اولویت دو باشد. از سوی دیگر، BLS می تواند برای تماس های اولویت دو اجباری و گزینه ای برای تماس های اولویت یک [ ۲۵ ، ۲۶ ] باشد.]. این نوع مشکل، که در آن تقاضا را می توان بخش بندی کرد، و آمبولانس های مختلفی برای سرویس دهی انواع اولویت های مختلف وجود دارد، به عنوان MCLP-FT [ ۱۶ ] شناخته می شود. این مشکل به عنوان TEAM (مدل تخصیص تجهیزات پشت سر هم) نیز شناخته می شود [ ۲۷ ، ۲۸ ].
این مدل توسعه مستقیم MCLP است اما سلسله مراتبی را بین دو نوع خودرو تحمیل می کند. این محدودیت بسته به شرایط قابل حذف است. از سوی دیگر، در مدل تسهیلات-مکان، تکنیک تجهیزات-محل (FLEET) [ ۲۷ ، ۲۹ ]، تحمیل یک سلسله مراتب بین انواع مختلف آمبولانس آرام شده است. با این حال، فقط از سایت های مکان p استفاده می شود.
یک چالش رایج برای همه مدل های فوق، مقابله با پوشش زمانی است که آمبولانس ها مشغول هستند. برای رویارویی با این وضعیت، دسکین و استرن [ ۲۶ ] و هوگان و رول [ ۲۷ ] هدف دوم را در MCLP و یک رویکرد سلسله مراتبی برای مقابله با مشکل پیشنهاد کردند. هدف اول به حداکثر رساندن تعداد نقاط تحت پوشش بیش از یک آمبولانس است – هدف دوم به حداکثر رساندن تقاضای کل دو برابر تحت پوشش است.
یکی دیگر از برنامه های افزودنی LSCP پوشش هر نقطه تقاضا و در عین حال به حداکثر رساندن تعداد نمونه های پوشش پشتیبان در میان مناطق تقاضا است [ ۱۶ ]. این مشکل به نام LSCP with Backup یا LSCP-B شناخته می شود. این مشکل با رویکرد بهینه سازی دو هدفه حل می شود. هدف اول به حداقل رساندن تعداد کل امکانات است. هدف دوم شامل به حداکثر رساندن تعداد دفعاتی است که تقاضا فراتر از یک تسهیلات واحد پوشش داده می شود. این مدل‌ها مشابه BACOP1 (مسئله پوشش پشتیبان ۱) پیشنهاد شده در [ ۲۷ ] هستند و هدف آن پوشش دو برابر حداقل کسری از تقاضا است. یک مدل کمی متفاوت (BACOP2) نیز در [ ۲۷ ] ارائه شده است]. هدف تابع هدف این مدل، به حداکثر رساندن ترکیبی، با استفاده از پارامتر θ، از تقاضاهای تحت پوشش یک و دو بار است. پوشش تمام مناطق شهری در این مورد الزامی نیست. تضمین پوشش کامل در بسیاری از سیستم های واقعی در حالی که استاندارد خدمات را رعایت می کند غیرممکن است.
پیشنهاد دیگری برای پرداختن به پوشش بین آمبولانس ها از Moon و Chaudhry [ ۲۸ ] ارائه شد. مدل آنها بیان می کرد که برای پوشش نقاط تقاضا و سایر آمبولانس ها به امکانات نیاز است. این مدل به پوشش دو ست معروف است. هدف مدل آنها به حداقل رساندن تعداد سرورها برای پوشش تمام نقاط تقاضا با توجه به پوشش اولیه و ثانویه است. رول و همکاران [ ۲۹ ] همچنین از این رویکرد برای مکان یابی آمبولانس استفاده کرد. این مدل به عنوان مجموعه مکان پوشش مشکلات با پوشش شرطی (LSCP-CC) شناخته می شود.
از سوی دیگر، Gendreau و همکاران. [ ۳۰ ] به اصطلاح مدل استاندارد دوگانه (DSM) را پیشنهاد کرد. این مدل با دو استاندارد پوشش کار می کند. هدف مدل آنها پوشش کامل تقاضا با در نظر گرفتن پوشش از هر تاسیسات تا فاصله r2 از محل بود. علاوه بر این، حداقل نسبتی از تقاضا، که با α نشان داده شده است، باید در فاصله r1 از محل پوشش داده شود. آنها همچنین شرطی را تعیین کردند که r1 < r2، همانطور که توسط قانون خدمات پزشکی اضطراری ایالات متحده در سال ۱۹۷۳ [ ۳۱ ] مشخص شده است. DSM به دنبال به حداکثر رساندن نیاز دو برابر شده در r1 با استفاده از آمبولانس‌های p است [ ۳۲ ].
یکی دیگر از توسعه‌های قابل توجه مدل‌های کلاسیک MCLP، LSCP، گنجاندن چندین هدف است. اهداف ممکن است متفاوت باشد و شامل فاصله، هزینه، تعداد مکان‌ها و موارد دیگر باشد. با توجه به اینکه مکان یابی آمبولانس یک مشکل پیچیده و دارای پیامدهای اجتماعی، بهداشتی و اقتصادی (از جمله دیگر) است، لازم است با توجه به بیش از یک هدف، به حل مشکل پرداخته شود تا پیچیدگی آن به نحو بهتری به تصویر کشیده شود و در این راستا، به دست آوردن راه حل های معتبرتر و یکپارچه تر.

۵٫۲٫ رویکردهای استاتیک احتمالی

مدل‌هایی که تا این لحظه توصیف شده‌اند، با اطمینان این واقعیت را فرض می‌کنند که هنگام دریافت تماس اضطراری، آمبولانس در دسترس است. مدل‌هایی مانند BACOP1، BACOP2، DSM، و LSCP-CC تا حدی با این واقعیت سروکار دارند که ممکن است آمبولانس مشغول باشد، و بنابراین پوشش اضافی مورد نیاز است. با این وجود، در برخی موارد، در دسترس نبودن آمبولانس می‌تواند برای موقعیت‌های مختلف، مانند خرابی‌های مکانیکی یا حوادث [ ۱۶ ] ایجاد شود.
محققان مدل های مختلفی را برای مقابله با در دسترس نبودن امکانات ارائه کرده اند. این مدل‌ها شامل مشکل مکان پوشش حداکثر مورد انتظار (MEXCLP)، مشکل پوشش مجموعه مکان احتمالی (PLSCP)، مشکل مکان حداکثر در دسترس بودن (MALP) و غیره است [ ۱۶ ]. در دسترس نبودن تسهیلات بدون هیچ شکی بر نتیجه فرآیند تأثیر خواهد گذاشت. بنابراین، در این مشکل جدید، هدف این است که آمبولانس حداقل مقدار آستانه ای از بار نقاط تقاضا را در محدوده خود انجام دهد. این اهداف با در نظر گرفتن مقررات هر شهر یا کشور تعیین می شوند و به یک پارامتر عملیاتی تبدیل می شوند. ادبیات اغلب با استفاده از نماد α [ ۱۶ ] به این موضوع اشاره می کند.
چپمن و وایت [ ۳۳] اولین کسانی بودند که با در دسترس بودن در فرمول مسئله سروکار داشتند. مدل آنها که مشکل پوشش مجموعه مکان احتمالی (PLSCP) نام دارد، اساساً LSCP را با تعریف در دسترس بودن زمانی مناسب و پوشش مجاورت جغرافیایی گسترش می دهد. در مدل آنها، احتمال مورد انتظار در دسترس نبودن آمبولانس را می توان از داده های تاریخی و کتابچه راهنمای کاربر تجهیزات استخراج کرد. به منظور تضمین اینکه حداقل آمبولانس دیگری برای خدمت رسانی به یک نیاز معین با حداقل احتمال معین (حداقل مقدار در دسترس بودن) در دسترس است، نیاز است که چندین آمبولانس به اندازه کافی آن نقطه تقاضا را پوشش دهند. این مقدار معمولاً به عنوان α نشان داده می شود و به عنوان سطح پوشش قابل اعتماد α شناخته می شود. در این معنا، هدف PLSCP این است که تعداد و مکان‌ها را به حداقل برساند اما اطمینان حاصل شود که هر نقطه تقاضا حداقل پوشش قابل اطمینان α را دریافت می‌کند. این اصل باید برای تمام نقاط تقاضا انجام شود.
از سوی دیگر، Daskin [ ۳۴ ] یک نسخه تصادفی از MCLP را پیشنهاد کرد که آن را حداکثر مشکل پوشش مورد انتظار (MEXCLP) نامید. MEXCLP با PLCSP تفاوت دارد زیرا MEXCLP در دسترس بودن را به عنوان یک تابع احتمال دو جمله ای در نظر می گیرد. در انجام این کار، هر سطحی از پوشش، به جای نیاز به حداقل آستانه اطمینان پوشش، مزایایی را به همراه دارد. MEXCLP به دنبال به حداکثر رساندن پوشش مورد انتظار با در نظر گرفتن این احتمال است که هر تسهیلات ممکن است برای ارائه یک بخش خاص از زمان در دسترس نباشد. در این فرمول بندی، در نظر گرفتن محدودیت تعداد تسهیلات دقیقاً به p تسهیلات، که شکل خاصی از محدودیت بودجه است، ضروری است. هنگام در نظر گرفتن ضریب تصحیح ابر مکعب پیشنهاد شده توسط لارسون [ ۳۵]، این مدل در ادبیات به عنوان مدل مکان حداکثر مورد انتظار تعدیل شده (AMEXCLP) شناخته می شود. در امتداد همین خط فکری، ماندل [ ۳۶ ] “مدل سیستم دو لایه” (TTM) را پیشنهاد کرد. این مدل از حداکثر کردن تقاضای مورد انتظار، یک ناوگان مختلط و یک مدل صف انتظار را برای تعیین احتمالات مورد استفاده توسط مدل در نظر می‌گیرد، به این ترتیب بهینه‌سازی تصادفی، تئوری صف و مدل‌سازی ناوگان ناهمگن را ادغام می‌کند. به همین ترتیب، باتا و همکاران. [ ۳۷ ] همچنین به مشکل برخورد با سرویس به عنوان یک سیستم صف پرداخت. آنها قصد داشتند به استقلال تسهیلات، احتمالات مختلف مشغول بودن، و تأثیر مکان بر احتمالات مشغله رسیدگی کنند. از سوی دیگر، گلدبرگ و همکاران. [ ۳۸] برای استخراج و به روز رسانی پاسخ تسهیلات و احتمالات خدمات به صف بندی و شبیه سازی متکی بود.
در فرمول بندی MEXCLP، بررسی دو دیدگاه در دسترس بودن ضروری است. در وهله اول، در دسترس نبودن یا شلوغی یک تسهیلات ممکن است از دیدگاه کل سیستم در نظر گرفته شود، به عنوان مثال، احتمال مشغول بودن و در دسترس نبودن یک تسهیلات برای خدمات در سراسر یک منطقه یکسان است. از سوی دیگر، مدل ممکن است بارهای ناهمگن را به دلیل تغییرات تقاضا در یک منطقه در نظر بگیرد. بر این اساس، تابع هدف MEXCLP باید برای تناسب با این وضعیت اصلاح شود. دوم، مکان‌یابی تسهیلات ممکن است تنها به یک نهاد خدماتی در یک مکان اجازه دهد یا امکان استقرار مشترک تسهیلات را فراهم کند [ ۱۶ ].
Marianov و Revelle [ ۳۹ ] از یک مدل صف برای تخمین در هر منطقه تقاضا استفاده کردند که چه تعداد سرور برای برآورده کردن محدودیت قابلیت اطمینان برای آن محله لازم است. در مدل خود، آنها فرض کردند که صف یک منطقه مستقل از سرورهای مناطق دیگر است یا بالعکس. با این وجود، این فرض به طور کامل مورد آزمایش قرار نگرفته است و تردیدهایی در مورد اعتبار این فرض وجود دارد [ ۴۰ ]. در مطالعه دیگری، ماریانوف و سرا [ ۴۱] یک شکل مبتنی بر صف از مسئله پوشش حداکثری را پیشنهاد کرد که به صراحت به ظرفیت سرورهای منفرد می‌پردازد. در حالی که صف‌بندی از برخی جهات بهبود یافته است، به‌ویژه زمانی که توانایی سرورها را در نظر می‌گیریم، مانند MCLP-Q، بسیاری از مدل‌های توسعه‌یافته به معیارهای پرکاری در سطح سیستم یا محلی متکی هستند. موری و چرچ [ ۱۶ ] خاطرنشان کردند که این نوع رویکرد می تواند پتانسیل خدمات را در یک منطقه تقاضای معین بیش از حد تخمین بزند، با توجه به اینکه همه امکانات سایت در هر زمان در دسترس نیستند.
از سوی دیگر، Revelle و Hogan [ ۴۲ ] فرمولی را معرفی کردند که به دنبال به حداکثر رساندن تقاضای تحت پوشش ارائه شده برای یک مقدار قابل اعتماد α است. این مدل به عنوان مشکل مکان دسترسی حداکثری (MALP) شناخته می شود و هدف آن به حداکثر رساندن تقاضایی است که دارای پوشش قابل اطمینان α است. این مدل شرط پوشش تمام نقاط تقاضا با سطح α قابلیت اطمینان موجود در PLSCP را نادیده می گیرد.
مدل‌های احتمالی از بسیاری از کاربردها پشتیبانی می‌کنند، زیرا شرایط زندگی واقعی را بهتر نشان می‌دهند. به عنوان مثال، Aytug و همکاران. [ ۴۳ ] به حل MEXCLP برای مشکلات در مقیاس بزرگ پرداخت. آنها چندین نمونه را بر اساس رویکردهای اکتشافی در تحقیقات خود حل کردند، به ویژه، کار توسعه یافته توسط Daskin و همکاران. [ ۴۴ ] و دو روش با استفاده از الگوریتم ژنتیک. آنها دریافتند که الگوریتم ژنتیک می‌تواند با زمان‌های محاسباتی قابل قبول حل برای مسائل در مقیاس بزرگ مطابقت داشته باشد و نتایج نزدیک به بهینه را به دست آورد. سیدام [ ۴۵ ] مطالعه دیگری را برای تأیید استفاده از الگوریتم های ژنتیک پیشنهاد کرد. سورنسن و کلیسا [ ۴۶] گسترش بیشتری را برای MEXCLP پیشنهاد کرد. آنها این مشکل را با ترکیبی از تابع هدف MEXCLP همراه با رویکرد MALP برای محاسبه حداقل تعداد آمبولانس‌هایی که باید برای هر منطقه قبل از مدل‌سازی ریاضی پوشش دهند، حل کردند. آنها این کار را برای به دست آوردن سطح اطمینان از زمان پاسخگویی به تماس اضطراری انجام دادند. نتایج حاکی از بهبود متوسطی در عملکرد سیستم در مقایسه با راه حل ارائه شده توسط مدل های قطعی پایه بود.
از سوی دیگر، ارکوت و همکاران. [ ۴۷ ] پنج مدل بهینه سازی مکان آمبولانس را در حالی که از داده های مورد واقعی استفاده می کرد، اعتبار سنجی کرد. یک مدل ابرمکعب تقریبی صف‌ها، عملکرد مدل‌ها را اندازه‌گیری کرد، و دریافت که مدل‌هایی که عدم قطعیت را در اجزای خود وارد می‌کنند، عملکرد راه‌حل بهتری را ارائه می‌کنند.
به همین ترتیب، اینگولفسون و همکاران. [ ۱۴ ] مدلی پیشنهاد کرد که به صراحت تغییر در زمان پیش از اعزام و تغییر در زمان پاسخگویی و در دسترس بودن آمبولانس ها را مدل می کند. محققان دیگری که به موضوع مکان تصادفی پرداختند لایتنر [ ۴۸ ] و ارکات و همکاران بودند. [ ۴۹ ]. لایتنر [ ۴۸ ] مدلی را پیشنهاد کرد که کسری از تماس های بی پاسخ را به حداقل می رساند. سهم اصلی آن در یک الگوریتم ژنتیک است که با استفاده از ابزارهای شبیه سازی گسسته تنظیم شده است. به همین ترتیب، Erkut و همکاران. [ ۴۹] مشکل مکان بقای حداکثری (MSLP) را پیشنهاد کرد. تحقیقات آنها به ناکافی بودن در نظر گرفتن زمان خدمات و پوشش به عنوان شاخصی برای مکان صحیح وسایل نقلیه اضطراری می پردازد. در عوض، آنها یک مدل مکان را فرض می کنند که نرخ بقای بیماران را در نظر می گیرد. آنها با ترکیب یک تابع بقا بر اساس توزیع لجستیکی که نوع اضطراری و زمان مورد نیاز برای پاسخ به آن را در نظر می گیرد، به این امر دست می یابند. این رویکرد برای مسائل قطعی و تصادفی توسعه داده شد.

۵٫۳٫ پوشش تدریجی در رویکردهای استاتیک

تا اینجا مفهوم پوشش فقط به صورت واضح مورد توجه قرار گرفته است. این واقعیت به این معنی است که تمام مدل های توصیف شده دارای حداکثر زمان پاسخگویی مجاز (استاندارد خدمات) هستند. رعایت دقیق این استاندارد خدمات به این معنی است که کیفیت خدمات برای همه خواسته‌ها در شعاع خدمات استاندارد یکسان است. به عنوان مثال، فرض کنید استاندارد خدمات ۹ دقیقه است. در آن صورت، کیفیت خدمات برای تقاضا یک دقیقه دورتر از محل آمبولانس یا ۹ دقیقه دورتر از محل آمبولانس یکسان است. کیفیت خدمات برای سایت های تقاضا در فاصله ۱۰ دقیقه از محل آمبولانس صفر است. این واقعیت به عنوان یک معیار رادیکال در نظر گرفته می شود. در مورد اورژانس سکته مغزی، شاید این دقیقه اضافی برای بقای فرد بسیار مهم باشد، اما در اکثر موارد اینطور نیست، به عنوان مثال، یک دست یا پای شکسته هنگامی که مدل های مکان EMS پوشش را یک قانون واضح در نظر نمی گیرند، مدل ها به عنوان پوشش پیوسته در نظر گرفته می شوند. مدل های مکان EMS که در آنها کیفیت خدمات در هنگام دور شدن از محل آمبولانس یکسان نیست به عنوان پوشش تدریجی شناخته می شوند. محققان می توانند به دو طریق به این وضعیت بپردازند. کیفیت خدمات در شعاع استاندارد خدمات یکسان در نظر گرفته می شود. هنگامی که از مرز شعاع استاندارد خدمات فراتر رفت، کیفیت خدمات به تدریج کاهش می یابد. علاوه بر این، در رویکرد دوم، کیفیت خدمات حتی در شعاع خدمات استاندارد متفاوت در نظر گرفته می‌شود. نحوه کاهش این کیفیت خدمات را می توان با یک منحنی خطی، چند جمله ای یا لجستیک مدل کرد، بسته به اینکه افت کیفیت خدمات چگونه جریمه می شود.۵۰ ، ۵۱ ]. استراتژی های مختلف برای پوشش تدریجی را می توان در موری [ ۵۲ ]، درزنر و همکاران یافت. [ ۵۳ ]، برمن و همکاران. [ ۵۴ ، ۵۵ ] و پکر و کارا [ ۵۶ ].
رسترپو و همکاران [ ۵۷ ]، داوری و همکاران. [ ۵۸ ] و زرندی و همکاران. [ ۳۲ ] رویکردهای دیگری برای این مدل‌های ایستا توسعه داد. به عنوان مثال، Restrepo و همکاران. [ ۵۷ ] مدلی را برای به حداقل رساندن تعداد تماس هایی که در زمان پاسخ داده نشده اند از طریق یک تابع ضرر مدل سازی شده با توزیع Erlang ترکیب کرد. این مدل وابستگی بین آمبولانس های مستقر در همان ایستگاه را نشان می دهد. علاوه بر این، تغییراتی مانند ملاحظات منطق فازی مدل MCLP، همانطور که توسط داوری پیشنهاد شده است [ ۵۸ ]]، در این مدل ها گنجانده شده اند. این نویسنده از منطق فازی برای تخمین زمان سفر آمبولانس ها استفاده کرده است. این پیشنهاد همچنین شامل توسعه یک الگوریتم بازپخت شبیه سازی شده برای حل مسئله است. علاوه بر این، زرندی و همکاران. [ ۳۲ ] یک الگوریتم ژنتیک برای نمونه های MCLP تا ۲۵۰۰ گره ایجاد کرد. نتایج کمتر از ۲ درصد شکاف و زمان‌های محاسباتی کمتر از چهار دقیقه را ثبت کردند.
یین و مو [ ۵۹ ] دو الحاقیه MCLP را پیشنهاد کردند که ایستگاه های مکان و تعداد آمبولانس ها را در آنجا در نظر می گیرند. مدل‌های پیشنهادی ظرفیت تسهیلات را در نظر می‌گیرند و با هدف به حداکثر رساندن تعداد نقاط تقاضای تحت پوشش در حالی که میانگین فاصله تسهیلات تا نقاط تقاضای تحت پوشش را به حداقل می‌رسانند، هستند.

۵٫۴٫ رویکردهای پویا

اولین و مدل‌های اصلی مکان‌یابی آمبولانس به دنبال بهترین مکان آمبولانس‌ها بودند، تلاش برای به حداقل رساندن عملکردهای جریمه یا به حداکثر رساندن پوشش، از جمله اهداف دیگر. در همان زمان، شرایط واقعی تر به تدریج در مدل ها گنجانده شد. از جمله این شرایط می توان پوشش تدریجی، احتمال خرابی آمبولانس و یا مشغول بودن آمبولانس را در نظر گرفت. با این وجود، تمام موارد شرح داده شده، مشکل مکان آمبولانس ها را به عنوان یک مشکل ثابت نشان می دهد. مدل‌های استاتیک نشان می‌دهند که آمبولانس‌ها مکان‌های ثابتی دارند که تعداد و موقعیت آنها در طول جدول زمانی ثابت باقی می‌ماند. این واقعیت می تواند باعث افت کیفیت خدمات دریافتی شود، به عنوان مثال، اگر دو آمبولانس به هم پیوسته مشغول باشند، و هر یک از این دو آمبولانس باید تماس دریافتی را سرویس دهند.
با توجه به اینکه بقیه ناوگان در محل تعیین شده خود باقی می مانند، به احتمال بسیار زیاد خدمات ارائه شده به آن تماس از استاندارد خدمات فراتر می رود. در چنین شرایطی، ترجیح داده می شد که بقیه ناوگان به مکان جدیدی مستقر می شدند تا شانس ارائه خدمات مطابق با استاندارد خدمات را افزایش دهند. برای مقابله با این اشکال مدل های استاتیک، محققان شروع به حل پویا مشکل مکان یابی EMS کردند و در صورت نیاز، در صورت شلوغ شدن برخی آمبولانس ها، مکان ناوگان را تنظیم کردند. این واقعیت باعث ایجاد خانواده جدیدی از مشکلات به نام مشکلات مکان پویا شد. این خانواده از مشکلات اغلب به عنوان DPLMEV (مشکل دینامیکی مکان یابی وسایل اورژانس پزشکی)، مشکلات جابجایی یا جابجایی نامیده می شود. در این صفحه، ما از این سه نام به جای یکدیگر برای اشاره به وضعیتی که قبلا توضیح داده شد استفاده می کنیم. جابجایی برای به حداکثر رساندن پوشش و کاهش زمان پاسخ مفید است [۶۰ ، ۶۱ ].
علاوه بر این، جابجایی انعطاف پذیری را برای پاسخ به تقاضای بیمار در نوسان [ ۶۲ ] و شرایط ترافیک پویا [ ۷ ] بهبود می بخشد. اگرچه در فرآیند مکان یابی دینامیکی آمبولانس ها، تصمیم گیرندگان سعی می کنند با ایجاد محدودیت هایی بر روی مشکل، حرکات آمبولانس ها را کاهش دهند، افزایش حرکات آمبولانس ها در نتیجه جابجایی پویا ممکن است مزایایی نیز به همراه داشته باشد. به عنوان مثال، با توجه به اینکه خدمه آماده هستند و در حال حاضر در جاده هستند، احتمال بیشتری وجود دارد که تماسی را در هنگام حرکت دریافت کنید که باعث کاهش زمان پاسخ می شود. اگر کارکنان در پایگاه آمبولانس بودند، ممکن است به مدتی برای آماده شدن نیاز داشته باشند و زمان پاسخگویی سیستم را افزایش دهند [ ۶۳ ].
مشکلات جابجایی چالش برانگیز هستند زیرا باید به دفعات بیشتر و به میزان قابل توجهی سریعتر حل شوند. بنابراین استفاده از راهکارهای قدرتمندتر در این موارد ضروری است. در دسترس بودن اکتشافات سریعتر و فن آوری های کامپیوتری پیشرفته، حل مشکلات مکان یابی آمبولانس را در زمان واقعی امکان پذیر می کند و محاسبه استراتژی استقرار آمبولانس جدید را در هر زمان با استفاده از داده های زمان واقعی ممکن می سازد. از این نظر، Gendreau و همکاران. [ ۶۴ ] از DSM برای تولید اولین مدل‌سازی پویا استفاده کرد. در مدل خود، Gendreau و همکاران. [ ۶۴] چندین ملاحظات عملی ذاتی ماهیت پویای مسئله را در نظر بگیرید. به عنوان مثال، آنها اظهار داشتند که آمبولانس هایی که در جابجایی های متوالی حرکت می کنند نمی توانند همیشه یکسان باشند. آنها از سفرهای رفت و برگشت مکرر بین دو مکان مشابه و سفرهای طولانی بین مکان های اولیه و نهایی اجتناب کردند. تابع هدف این شرایط را با گنجاندن پارامتر M در نظر می گیرد. این پارامتر هزینه استقرار مجدد یک آمبولانس خاص در یک سایت خاص را در لحظه نشان می دهد. آنها در هر لحظه ای که تماسی ثبت می شود، مشکل را حل کردند. آنها با در نظر گرفتن اینکه هر بار یک MEXCLP را حل می کردند، مشکل را به عنوان مشکل جابجایی پوشش حداکثر مورد انتظار (MECRP) نامیدند.
با این حال، علیرغم قدرت محاسباتی قدرتمندی که امروزه در دسترس است، در برخی موارد، تعداد تماس ها و اندازه مشکل حل مشکل برای هر تماس را دشوار می کند [ ۶۵ ]. جندرو و همکاران [ ۶۰] (MECRP) را با جداول انطباق برای رسیدگی به این وضعیت مقابله کرد. هر ردیف مکان های انتظار مورد نظر برای آمبولانس های موجود را نشان می دهد. اگر این آمبولانس ها در مکان های انتخابی خود باشند، سیستم مطابقت دارد. تعداد آمبولانس های موجود با رسیدن درخواست یا زمانی که آمبولانس دوباره در دسترس قرار می گیرد تغییر می کند. سپس، هر آمبولانس بیکار ممکن است به محل انتظار متفاوتی اختصاص داده شود. یکی از نقاط قوت خط مشی جدول انطباق این است که توضیح دادن و استفاده توسط دیسپچرها ساده است: تعداد آمبولانس های موجود فقط وضعیت سیستم خدمات فوریت های پزشکی (EMS) را توصیف می کند. نقطه قوت دیگر محاسبه جداول انطباق به‌صورت آفلاین به‌جای روش‌های بلادرنگ است که تصمیمات جدید جابه‌جایی را هر زمان که رویدادی رخ می‌دهد محاسبه می‌کنند. این مزایا منجر به ایجاد جداول انطباق،۶۶ ، ۶۷ ]. ون بارنولد [ ۶۸ ] به این مشکل پرداخت اما توابع جریمه را در نظر گرفت و پوشش تدریجی مسئله را در بر گرفت. همچنین ذکر این نکته ضروری است که لیم و همکاران. [ ۶۹ ] و Sudtachat و همکاران. [ ۷۰ ] با شبیه سازی تشخیص داده و ارزیابی کرده بود که یک پیکربندی ایستا از ناوگان آمبولانس باعث عدم استفاده می شود. این واقعیت به نوبه خود باعث عملکرد پایین تر اهداف بهینه سازی پیشنهادی شد. با این حال، نایر و میلر هوکس [ ۷۱] پیشنهاد کرد که یک سیاست بسیار انعطاف پذیر به دلیل باری که برای پرسنل ناوگان ایجاد می کند واقع بینانه نیست. برای پاسخ به این مشکل، نویسندگان این دو نوع سیاست را از طریق یک مدل تحلیلی مقایسه کردند و دریافتند که وقتی ناوگان وسایل نقلیه به اندازه کافی بزرگ باشد، تفاوت قابل توجهی در زمان پاسخ بین سیاست‌ها وجود ندارد. از سوی دیگر، زمانی که وسایل نقلیه کم است، استراتژی جابجایی آمبولانس ها عملکرد بهتری را در زمان پاسخگویی نشان می دهد. این واقعیت به این دلیل توضیح داده می شود که تحت این شرایط، هنگام اعزام آمبولانس، منطقه وسیعی را بدون پوشش در مقایسه با سیستمی با تعداد قابل توجهی آمبولانس رها می کند، بنابراین جابجایی آمبولانس ها زمانی که هدف کاهش زمان پاسخگویی در آینده باشد، نتایج بهتری دارد. .
بلانگر و همکاران [ ۷۲ ] یک مطالعه قوی برای ارزیابی سیاست های مکان مختلف (خط مشی ثابت و انعطاف پذیر) با استفاده از شبیه سازی برای این منظور انجام داد. نویسندگان دریافتند که استراتژی انعطاف‌پذیر (به نام «استراتژی‌های پویا») نتایج بهتری را در زمان‌های واکنش به شرایط اضطراری نسبت به رویکرد ایستا ارائه می‌دهد. با این حال، آنها نشان می دهند که این نتایج با هزینه های بالای جابجایی به دست می آید. از سوی دیگر، ون بارنولد و همکاران. [ ۷۳ ] دریافتند که نتایج بهتر سیاست های جابجایی در مناطق روستایی با افزایش بار کاری خدمه به دست می آید. ماکسول و همکاران [ ۷۴] روشی را برای محاسبه کران پایین تر در کسری از تماس های ارائه شده در زمان پاسخگویی بالاتر از استاندارد سرویس پیشنهاد کرد. این کران پایین با مدل‌سازی سیستم آمبولانس به‌عنوان یک مدل صف چند سرور محاسبه می‌شود و می‌تواند برای تعیین سیاست‌های باز استقرار مؤثر استفاده شود.
جندرو و همکاران [ ۶۰ ] دو رویکرد راه حل برای مشکل مکان پویا آمبولانس بیان کرد. آنها در کار خود بیان کردند که یک رویکرد پیشینی و یک رویکرد پسینی وجود دارد. ابزارهایی که با رویکرد اول طراحی شده اند (پیشینی) به دنبال یافتن راه حلی برای شرایط خاص سیستم هستند (حتی اگر شامل زمان های محاسباتی طولانی حل شوند)، تا پیشاپیش نحوه قرارگیری و کارکرد وسایل نقلیه در آن موقعیت خاص را تثبیت کنند. . هنگامی که سیستم در عملیات واقعی این شرایط را داشته باشد، اپراتورها فقط باید به دنبال راه حلی باشند که قبلا پیدا شده و از آن برای حمایت از تصمیم گیری استفاده کنند. این مشکل همچنین ممکن است یک نوع چند دوره ای ایستا و مبنایی برای استراتژی های جابجایی مانند جداول انطباق در نظر گرفته شود.
از سوی دیگر، ابزارهای رویکرد پسینی برای ارائه پاسخ فوری به اپراتور هنگامی که تغییر مربوطه در سیستم رخ می دهد، طراحی شده اند. معمولاً به این تغییرات رویدادهایی گفته می شود که از میان آنها می توان ورود درخواست اعزام یا ورود خودرو به بهره برداری را یافت. به طور کلی، ابزارهایی با این رویکرد به دنبال کار در زمان واقعی هستند. بنابراین، باید ظرفیت محاسباتی قابل توجهی برای دستیابی به راه حل های سریع وجود داشته باشد.
جدول ضمیمه A مشارکت های مرتبط با مطالعات موجود در این بررسی را خلاصه می کند. این جدول مطالعات را با در نظر گرفتن هدف بهینه سازی، محدودیت های در نظر گرفته شده در مدل، رویکرد راه حل و نماد سه گانه پیشنهادی سازماندهی می کند. علاوه بر این، نماد سه گانه پیشنهادی برای هر مطالعه ارائه شده است. MEXCLP اساس چندین مورد از این پیشنهادات در رابطه با مدل پایه است. مشارکت‌ها در رابطه با هدف بهینه‌سازی، محدودیت‌های در نظر گرفته شده در مدل، ظرفیت مکان، نوع ناوگان و خط‌مشی اعزام تحلیل می‌شوند.

۵٫۴٫۱٫ سیاست های ارسال

روآ و همکاران [ ۷۵ ]، کاروالیو و همکاران. [ ۷۶ ] و لی [ ۷۷ ] سیاست اعزام خود را بر اساس محاسبه آمادگی سیستم استوار کردند. مطالعات آنها بر اساس الگوریتم دیسپاچینگ ارائه شده توسط اندرسون و همکاران است. [ ۷۸ ]. آنها به این نتیجه رسیدند که اعزام بر اساس این معیار می تواند به میزان قابل توجهی به زمان پاسخ EMS کمک کند تا زمانی که به طور مناسب اعمال شود. یعنی با در نظر گرفتن تماس های فعلی و آتی. مطالعه دیگری با هدف اعتبارسنجی سیاست‌های اعزام، مطالعه لیم و همکاران است. [ ۶۹]. نویسندگان، سیاست‌های ارسال مختلف را از طریق شبیه‌سازی کاربردی و پنج مدل مکان منتشر شده تأیید کردند. در این مطالعه، نویسندگان به این نتیجه رسیدند که هیچ سیاست اعزامی از سیاست های دیگر فراتر نمی رود. همه مزایا و معایب خود را دارند. بنابراین، بهترین رویکرد باید با توجه به اهداف EMS و زمینه برنامه انتخاب شود. با این وجود، نویسندگان نشان می‌دهند که زمان‌های واکنش اضطراری را می‌توان از طریق سیاست‌های اعزام مختلف بهبود بخشید. علاوه بر این، آنها تأکید می‌کنند که با دادن امکان تغییر تکلیف آمبولانس معین، علیرغم اعزام قبلاً، برای یکی از اولویت‌های بالاتر، می‌تواند زمان پاسخگویی در مواقع بحرانی را بهبود بخشد.
مایورگا و همکاران [ ۷۹ ] یک روش برای ایجاد یک استراتژی منطقه‌ای/ اعزامی پیشنهاد کرد. برخلاف طرح‌های مبتنی بر زمان پاسخ، نویسندگان مناطق را بر اساس یک تابع بقا تعیین کردند. این واقعیت یک ویژگی است که می تواند حجم کار سیستم را بهتر متعادل کند. این اولویت را می توان با در نظر گرفتن ارزیابی TRIAGE اختصاص داد. Sudtachat و همکاران [ ۷۰ ] یک الگوریتم اکتشافی فهرست ترجیحی مرتب بر اساس این رویکرد اعمال کرد. نتایج به‌دست‌آمده از ارزیابی سیاست‌ها با استفاده از یک مدل شبیه‌سازی رویداد گسسته ساخته‌شده بر روی یک پایگاه داده واقعی نشان می‌دهد که خط‌مشی مبتنی بر اولویت نتایج بهتری نسبت به معیار توزیع سرور ایجاد می‌کند.
جاگتنبرگ و همکاران [ ۶۵ ] نتایج مشابهی را در مطالعه خود به دست آوردند. نویسندگان سیاست‌های اعزام جایگزین را بر اساس زنجیره‌های مارکوف و بر اساس یک الگوریتم اکتشافی ارائه کردند که می‌تواند مناطق با تعداد زیادی آمبولانس را مدیریت کند. نویسندگان دریافتند که با این الگوریتم اکتشافی، این امکان وجود دارد که تعداد تماس‌های شرکت‌کننده در یک زمان آستانه بهبود یابد. این مطالعه نشان می‌دهد که معیارهای ارسال نزدیک‌ترین سرور لزوماً برای حضور در مواقع اضطراری بهترین نیستند.
مطالعات قبلی مانند ژن و همکاران. [ ۸۰ ] نشان داد که تصمیمات ارسال نمی تواند به سادگی اختصاص دادن نزدیکترین سرور موجود باشد. ژن و همکاران در مطالعه خود. [ ۸۰] یک الگوریتم تصمیم گیری برای اعزام آمبولانس های طراحی شده برای کار با یک سیستم استقرار بلادرنگ پیشنهاد کرد. این الگوریتم اولویت تماس، سرعت بازگشت آمبولانس به پایگاه خود، تعداد آمبولانس‌های موجود در یک مکان معین و تعداد درخواست‌هایی که ممکن است در همسایگی مکان‌های آمبولانس ظاهر شوند را در نظر می‌گیرد. هنگامی که نشانگر برای هر تصمیم احتمالی اعزام محاسبه می شود، آمبولانسی که تأثیر منفی کمتری بر عملکرد سیستم دارد اعزام می شود. ساختار این الگوریتم که برای کاربرد بلادرنگ ایجاد شده است، برای مطالعات اخیر که مکان و جابجایی را نیز در نظر می گیرند، تبدیل شده است.
به طور مشابه، ون بارنولد و همکاران. [ ۶۸ ] دو نوع وسیله نقلیه را در رویکرد خود در نظر گرفتند. یکی از آنها آمبولانس های واکنش سریع (RRAs) و دیگری آمبولانس های حمل و نقل منظم (RTAs) است. تفاوت اساسی بین آنها این است که RRAها سریعتر هستند، اما نمی توانند بیماران را به بیمارستان منتقل کنند. ون بارنولد و همکاران در پیشنهاد خود. [ ۶۸] فرض کرد که خط مشی اعزام به شرح زیر است: اگر بیمار با حداقل یک RRA در استاندارد خدمات قابل دسترسی باشد، نزدیکترین RRA به آن اورژانس اختصاص داده می شود. اگر نه، و RTA موجود می تواند به بیمار مطابق با استاندارد خدمات برسد، این RTA موجود ارسال خواهد شد. اگر نه RRA و نه RTA نتوانند به موقع به بیمار برسند، نزدیکترین وسیله نقلیه صرف نظر از نوع آن تعیین می شود. چنین پاسخی به عنوان دیر رسیدن به حساب می آید. اگر هیچ واحدی در دسترس نباشد، تماس وارد صفی می‌شود که اول می‌شود: اولین واحدی که در دسترس قرار می‌گیرد ارسال می‌شود.
ون بارنولد و همکاران [ ۶۸] در نظر گرفت که معمولاً تعیین شدت حادثه بر اساس توضیحات تماس گیرنده دشوار است، با توجه به اینکه تماس گیرنده معمولاً ناراحت است و ممکن است توصیف ناکافی از وضعیت بیمار ارائه دهد. بنابراین، آنها اعلام کردند که نمی توان از قبل از انتقال بیمار به بیمارستان مطلع شد. هنگامی که خدمه آمبولانس به مرکز اعزام گزارش می دهند که بیمار نیاز به حمل و نقل دارد، سناریوهای زیر امکان پذیر است. اگر بیمار نیاز به انتقال به بیمارستان داشته باشد و RRA در محل اورژانس باشد، نزدیکترین RTA موجود به محل اورژانس ارسال می شود. اگر RTA در دسترس نباشد، تماس وارد صف اولین خدمت شده می شود. RRA در محل می ماند و تا رسیدن RTA از بیمار مراقبت می کند. RTA می تواند قبل یا بعد از اتمام مراقبت در صحنه به محل برسد. اگر مراقبت در صحنه قبل از رسیدن RTA به پایان برسد، RRA باید منتظر رسیدن RTA در محل اورژانس باشد. پس از خروج RTA با بیمار، RRA برای سیستم در دسترس خواهد بود. یانوسیکوا و همکاران [۸۱ ] رویه مشابهی را شرح داد.
سیاست اعزام به صراحت در بسیاری از مطالعات ذکر نشده است. از سوی دیگر، نزدیکترین خط مشی سرور موجود رایج است. مطالعات مختلف در مورد تصمیم‌گیری اعزام مشکل مکان‌یابی را می‌توان در پیوست A یافت . به عنوان مثال، مطالعات انجام شده توسط Van Barneveld و همکاران. [ ۷۳ ، ۸۲] با استفاده از یک رویکرد اکتشافی که شدت تماس و وضعیت آمبولانس را در نظر می گیرد، به تصمیم اعزام پرداخت. وضعیت مربوط به فعالیتی است که آمبولانس در لحظه تماس دریافتی انجام می دهد. آنها اظهار داشتند که آمبولانس می تواند در هر یک از مراحل زیر در محل خود بیکار باشد، درمان در محل اورژانس، رانندگی به بیمارستان، یا درمان در بیمارستان. از این چهار مرحله، تنها فاز ۳ (رفتن به بیمارستان) باعث می شود آمبولانس واجد شرایط فرآیند تعیین تکلیف نباشد. قوانین اولویتی که می تواند شامل معیار آمادگی سیستم و نوع اضطراری مرتبط با تماس ورودی باشد در [ ۸۳ ، ۸۴ ] یافت می شود. به همین ترتیب، یاگتنبرگ و همکاران. [ ۸۵ ] و پارک و لی [ ۸۶] از قوانین ارسال بر اساس فرآیند تصمیم مارکوف استفاده کنید، که در آن در هر ایالت، یک عمل از مجموعه اقدامات مجاز باید دنبال شود. این فرآیند در زمان با توجه به احتمالات انتقال که به فعالیت های انتخاب شده بستگی دارد، تکامل می یابد. آنها با یک افق برنامه ریزی بی نهایت سروکار داشتند. در نهایت، ون بارنولد و همکاران. [ ۶۸ ] مشکل دیسپاچینگ با دو نوع سرور را به روش زیر حل می کند. آنها فرآیند اعزام را به دو لحظه تقسیم کردند. اولین مورد به تصمیم ارسال یک وسیله نقلیه اضطراری در لحظه دریافت تماس اشاره دارد. دوم زمانی است که خدمه به محل اورژانس می رسند و مشخص می شود که بیمار باید به بیمارستان منتقل شود.
۵٫۴٫۲٫ مسائل مدلسازی
با توجه به ویژگی های موجود در مدل، Chanta و همکاران. [ ۸۷ ] ترکیب معیارهای برابری در مدیریت EMS را پیشنهاد کرد. این واقعیت برای این سیستم‌ها ضروری است زیرا انتظار می‌رود که آنها با عدالت خدمت کنند. برای دستیابی به این هدف، نویسندگان از رویکرد به حداقل رساندن حسادت استفاده می‌کنند، معیاری که تفاوت‌های کیفیت خدمات را بین تمام مشتریان ممکن در نظر می‌گیرد. برای ساخت تابع حسادت، از تابع بقا استفاده کردند. بنابراین، حسادت در مورد احتمال بقا تعریف می شود، به طوری که احتمال بقای بالاتر با رضایت همراه است. مفهوم حقوق صاحبان سهام نیز با ضریب جینی در نظر گرفته شده است. این معیار توسط لی [ ۷۷ ] و عنایتی و همکاران استفاده شده است. [ ۸۸ ]. ارزش سهام نیز توسط تسای و همکاران مورد توجه قرار گرفت. [۸۹ ]. در این مورد، یکی از اهداف در بهینه‌سازی چند هدفه، ایجاد تعادل بین خدمات بین حوزه‌های مختلف است.
از سوی دیگر، ون دن برگ و همکاران. [ ۹۰ ] به مسئله مکان یابی پرداخت و یک خطی سازی MEXCLP با پوشش کسری را برای کاهش زمان محاسباتی لازم برای حل مسئله پیشنهاد کرد.
یانوسیکوا و همکاران [ ۸۱ ] بر اساس کار Jánošíková و همکاران. [ ۹۱ ] و بال و لین [ ۹۲ ] برای توسعه یک مدل تصادفی بر اساس مفهوم احتمال شکست. یانوشیکوا و همکاران [ ۹۱] احتمال شکست در تابع هدف را به حداکثر رساند. مدل از طریق شبیه سازی مبتنی بر عامل تایید شد. از اطلاعات OpenStreetMap (OSM) برای مدلسازی شبکه جاده استفاده شد. زمان سفر بین گره ها با توجه به شش نوع بخش OSM با توجه به فاصله تا حرکت و حداکثر سرعت در هر بخش محاسبه می شود. برای تعیین زمان سفر از تغییرات الگوریتم دایکسترا استفاده می شود. نتایج شبیه‌سازی نشان می‌دهد که پیکربندی آمبولانس‌های پیشنهادی توسط مدل توسعه‌یافته، رفتار میانگین زمان پاسخ را بهبود نمی‌بخشد. با این حال، عادلانه بودن خدمات را افزایش می دهد.
ماکسول و همکاران [ ۶۳ ، ۹۳ ] با هدف بهبود پوشش سیستم با یک طرح برنامه نویسی پویا تقریبی. نتایج نشان داد که این رویکرد می تواند برای مشکلات واقعی برای تعیین سیاست های جابجایی اعمال شود. این یکی از اولین مطالعات طراحی شده برای یک کاربرد ممکن در زمان واقعی بود. با این حال، تصمیمات جابجایی تنها زمانی در نظر گرفته می شود که آمبولانس خدماتی را تکمیل کند. این محدودیت امکان پیشرفت های حاصل از جابجایی جزئی یا کلی ناوگان را نادیده می گیرد. نویسندگان راه‌حل‌هایی را که از یک چارچوب خط‌مشی ثابت و انعطاف‌پذیر استفاده می‌کنند، ارزیابی کردند و دریافتند که سیاست انعطاف‌پذیر بهتر از رویکرد ایستا عمل می‌کند.
مک کورمک و کوتس [ ۹۴ ]، پارک و لی [ ۸۶ ]، آبنسور و همکاران. [ ۹۵ ]، در همان خط نایت و همکاران کار می کرد. [ ۹۶ ]، از جمله توابع بقا برای بررسی مشکل پرداختن به انواع بیماران ناهمگن.
شریعت مهیمانی و همکاران. [ ۹۷ ] تصادفی بودن در مسئله را به عنوان توسعه MEXCLP در نظر گرفت که در آن احتمال استفاده از آمبولانس ها به صراحت مدل سازی نشده است. با این حال، بر اساس سطح اطمینان و کل زمان توجه مورد نیاز (برای یک دوره معین) در هر نقطه از تقاضا ایجاد می شود. به همین ترتیب، ملکی و همکاران. [ ۹۸ ] توسعه مدل MEXCRP را پیشنهاد کرد، همانطور که توسط Gendreau و همکاران پیشنهاد شد. [ ۶۰ ]. مطالعه مرتبط دیگری توسط ون دن برگ و آردال [ ۹۰ ] انجام شد. در این مطالعه، نویسندگان به مشکل استفاده از یک مدل چند دوره ای بر اساس MEXCLP پرداختند. نویسندگان توسعه مدل را با در نظر گرفتن پارامترهای وابسته به زمان پیشنهاد کردند. متعاقبا، یاگتنبرگ و همکاران. [۶۵ ] یک الگوریتم اکتشافی را پیشنهاد کرد که با قرار دادن آمبولانس در هر ایستگاه برای ارسال دستورات مکان، سهم حاشیه ای را در پوشش مورد انتظار به دست می آورد. آنها این سهم را با استفاده از تابع هدف MEXCLP به دست آمده با مکان یابی آمبولانس در هر ایستگاه محاسبه کردند.
لیو و همکاران [ ۸۴ ] سهم دیگری در طرح های مدل سازی ارائه کرد. بنابراین، توسعه مدل DYNAROC پیشنهاد شده توسط اندرسون و وربراند [ ۷۸ ] با رویکرد مدل‌سازی «برنامه‌نویسی محدود به شانس» برای جابجایی بهینه آمبولانس‌ها. این مدل سایر ویژگی‌های مدل‌سازی جالب را ادغام می‌کند، مانند مدل تقریبی ابر مکعب که برای محاسبه در دسترس بودن آمبولانس‌ها استفاده می‌شود. علاوه بر این، زمان سفر و تقاضا به عنوان عناصر دلخواه در نظر گرفته می شود.
علاوه بر این، Naoum-Sawaya و Elhedhli [ ۹۹ ] یک مدل دو مرحله ای تصادفی را پیشنهاد کردند. این مدل تعداد جابجایی ها را برای یک افق برنامه ریزی به حداقل می رساند و در عین حال سطح قابل قبولی از خدمات را حفظ می کند. یکی دیگر از رویکردهای تصادفی مرتبط توسط تورو-دیاز و همکاران ارائه شد. [ ۱۰۰ ]. این رویکرد یک مدل صف را در ساختار داخلی یک مدل ریاضی مربوط به فرآیند مارکوف از حالت‌های زمان پیوسته و متناهی تعریف می‌کند. در نتیجه، یک مدل هایپرمکعبی از صف ها برای نشان دادن الزامات در انتظار و تصمیمات اعزام استفاده می شود.
از سوی دیگر سیدام و همکاران. [ ۴۵ ] مدل مکان پوشش موجود پویا را به یک مدل چند دوره ای گسترش داد که از تقریب هایپرمکعب جارویس برای محاسبه احتمالات اشغال خاص وسیله نقلیه استفاده می کند. مشارکت اصلی نویسندگان یک رویکرد جدید است که تعداد سرورها و جابجایی مجدد را به حداقل می رساند.
بیلهارت و همکاران [ ۱۰۱ ] ابزاری را توسعه داد که به صورت بلادرنگ به مشکل رسیدگی می‌کند و در صورت وقوع، راه‌حل‌هایی را ایجاد می‌کند. این ابزار دارای دو ماژول است که با هم کار می کنند. یکی از ماژول ها با استفاده از یک اکتشافی تخصیص، که به عنوان الگوریتم حراج Bertsekas شناخته می شود، مشکل ارسال را حل می کند [ ۱۰۲ ]. ماژول مکان، مدل‌سازی را بر اساس رویکرد گراف Voronoi پیشنهاد می‌کند. هنگام در نظر گرفتن آمبولانس ها، این معادل به حداقل رساندن زمان پاسخ EMS است.
دگل و همکاران [ ۱۰۳ ] یک مدل چند دوره ای از مکان و جابجایی را توسعه داد. سهم اصلی آن معرفی مفهوم “پوشش انعطاف پذیر” در طرح مدل سازی آن است. برخلاف مدل‌هایی که با پوشش تک یا دوگانه کار می‌کنند، نویسندگان رویکرد جدیدی را برای تعیین عدد k پیشنهاد می‌کنند.وسایل نقلیه مورد نیاز برای پوشش هر منطقه درخواستی این عدد بر اساس تعریف سطح اطمینان و توزیع احتمال تجربی تقاضای همزمان در هر منطقه محاسبه می‌شود. پس از تعریف تحلیلی این سطح از پوشش، مقدار محاسبه شده در مدل برای توصیف متغیر تصمیم درگیر در تابع هدف استفاده می شود، نه به عنوان متغیر کلاسیک باینری پوشش منفرد یا دوتایی، بلکه به عنوان یک متغیر باینری از سطح پوشش k ( برای هر منطقه متفاوت است). این رویکرد نسبت به کارهای قبلی بهبود یافته است زیرا نیازهای مبتنی بر زمان متفاوت هر منطقه را در نظر می گیرد. علاوه بر این، مدل وابستگی زمانی را در تمام پارامترهایی که نویسندگان مرتبط می‌دانستند در نظر می‌گیرد.
Andrade و Cunha [ ۱۰۴ ] یک مدل بهینه سازی خطی چند دوره ای را بر اساس پوشش پیشنهاد می کنند. این مدل به دنبال به حداکثر رساندن پوشش مضاعف منهای هزینه جابجایی آمبولانس است. این مدل دو نوع وسیله نقلیه و تصمیم گیری برای مکان یابی ایستگاه های آمبولانس، مکان آمبولانس ها و مکان یابی مجدد آمبولانس ها را در نظر می گیرد. همچنین شامل مولفه تصادفی است. یک مدل تئوری صف تحلیلی به تعیین حداقل تعداد آمبولانس مورد نیاز برای هر نقطه تقاضا کمک کرد. نویسندگان یک سطح اطمینان برای احتمال در دسترس بودن آمبولانس در یک استاندارد خدمات تعیین شده تعریف کردند. این مدل برای پشتیبانی از طراحی سیستم مراقبت اضطراری در سائوپائولو، برزیل استفاده شد.
ابزار دیگر به اصطلاح «سیاست‌های جدول انطباق» است که معمولاً برای مدیریت پویا آمبولانس استفاده می‌شود. همانطور که قبلا ذکر شد، این جداول نشان می دهد که در صورت وجود تعداد آمبولانس، آمبولانس ها باید در کجا قرار گیرند. اگر همه آمبولانس‌ها در مناطق تعیین‌شده باشند، سیستم «تطابق» محسوب می‌شود. همانطور که آمبولانس ها اعزام می شوند یا در سیستم وارد عمل می شوند، اپراتورها از این جداول از پیش محاسبه شده برای تصمیم گیری در مورد جابجایی استفاده می کنند. به همین ترتیب، لام و همکاران. [ ۱۰۵ ] مکان پویا آمبولانس‌ها را بر اساس جداول انطباق مدل‌سازی کرد (که توسط نویسندگان «طرح وضعیت سیستم»، SSP نامیده می‌شود). مدل های مشابهی توسط ون بارنولد [ ۱۰۶ ]، ون بارنولد و همکاران توسعه داده شد. [ ۶۸ ] و ون بارنولد و همکاران. [ ۷۳].
Sudtachat و همکاران [ ۶۷ ] همچنین یک مدل جدول انطباق تودرتو برای مدیریت پویا آمبولانس‌ها پیشنهاد کرد. برخلاف سایر رویکردها، جدول انطباق ساخته شده توسط نویسندگان، مکان های اختصاص داده شده را حتی با افزایش تعداد آمبولانس ها حفظ می کند. این جنبه از منظر تعداد جابجایی ها یک مزیت را ایجاد می کند و باعث می شود زمانی که وضعیت سیستم تغییر می کند، حداکثر تنها یک حرکت جابجایی ایجاد می شود. با توجه به آخرین ویژگی، نویسندگان رویکرد خود را “جدول انطباق تودرتو” نامیدند. جدول بر اساس یک مدل برنامه ریزی خطی ساخته شده است که به سمت حداکثر کردن پوشش مورد انتظار با استفاده از احتمالات حالت پایدار مدل زنجیره مارکوف با جابجایی به عنوان پارامترهای ورودی طراحی شده است.
نیکل و همکاران [ ۱۰۷ ] یک مدل تصادفی پیشنهاد کرد که در آن ایستگاه‌های آمبولانسی که باید فعال شوند به طور همزمان در مورد تعداد آمبولانس‌هایی که باید به این ایستگاه‌ها اختصاص داده شوند، با استفاده از یک طرح تصمیم‌گیری دو مرحله‌ای تصمیم‌گیری می‌شوند. برخلاف مدل‌های تصادفی دو مرحله‌ای کلاسیک که با مقدار مورد انتظار در تابع هدف کار می‌کنند، نویسندگان از محدودیت پوششی استفاده کردند که تضمین می‌کند تعداد مورد انتظار آمبولانس‌های اختصاص داده شده به منطقه بیشتر یا برابر با سطح پوشش از پیش تعریف‌شده است.
ون بارنولد و همکاران [ ۷۳ ] مدل مدیریت آمبولانس پویا را برای مناطق روستایی با آمبولانس‌های محدود توسعه داد و آن را به‌عنوان فرآیند تصمیم‌گیری مارکوف در زمان گسسته مدل‌سازی کرد. زمان های محاسباتی یک سیاست جابجایی بهینه کارآمد نیست. بنابراین، آنها یک اکتشافی یک مرحله ای را ایجاد کردند که در هر مرحله، آمبولانس ها جابه جا می شوند تا زمان پاسخ مورد انتظار را به حداقل برسانند. ون بارنولد و همکاران [ ۷۳] همچنین جداول انطباق را با در نظر گرفتن دو آمبولانس مختلف محاسبه کرد: سرعت بالاتر و ظرفیت توجه بهتر بیمار. نویسندگان تعداد جابجایی ها را بر اساس نوع آمبولانس و زمان جابجایی برای ساخت این جداول محدود کردند. جدول انطباق حاصل تضمین می کند که سفرهای طولانی در نظر گرفته نمی شوند. این مدل از اصلاح مدل Jarvis Hypercube [ ۱۰۸ ] برای تخمین کسرهای شلوغ استفاده می کند. قابلیت کاربرد مدل از طریق شبیه‌سازی رویداد گسسته تأیید شد.
از سوی دیگر، ون بارنولد [ ۱۰۹ ] همین مشکل را در نظر گرفت، اما از ساخت جداول انطباق. برای دستیابی به این هدف، نویسنده از یک مدل برنامه ریزی ریاضی به نام مسئله جابجایی حداقل مجازات مورد انتظار (MEXPREP) استفاده کرد. نتایج محاسباتی نشان می دهد که جدول انطباق ساخته شده بر اساس MEXPREP (حداقل مشکل جابجایی جریمه مورد انتظار) هم از جدول انطباق MECRP و هم از خط مشی استاتیک بهتر عمل می کند.
علاوه بر این، ون بارنولد و همکاران. [ ۶۸] یک اکتشافی برای جابجایی آمبولانس بر اساس شاخصی به نام «آمادگی» پیشنهاد کرد. اگر جابجایی از افزایش این شاخص جلوگیری کند، جابجایی انجام می شود. ویژگی یک پیشنهاد خاص این است که اگرچه جابجایی مبدا و مقصد را مشخص می کند، اما آمبولانس نیازی به حرکت از مبدا به مقصد ندارد. در عوض، نویسندگان چندین حرکت را مجاز می دانند. به عنوان مثال، آمبولانسی که در گره مبدا قرار دارد، می تواند به یک مکان مرکزی منتقل شود در حالی که، در همان زمان، آمبولانس در مکان میانی به مقصد حرکت می کند. این نوع حرکت اجازه می دهد تا سیستم را سریعتر به حالت مطلوب برساند. با این حال، به دلیل افزایش تعداد آمبولانس‌های متحرک، نویسندگان تعداد این حرکات میانی را محدود کردند. یکی دیگر از ویژگی های نوآورانه ابزار این است که این حرکات میانی از طریق برنامه ریزی ریاضی تعیین می شوند. این پیکربندی اکتشافی ترکیبی با بهینه‌سازی کاربرد اخیری دارد که به عنوان ریاضیات شناخته می‌شود. داده های واقعی برای شبیه سازی رفتار سیستم با استفاده از ابزار استفاده شد. نتایج نشان می دهد که عملکرد سیستم با استراتژی جابجایی بهبود می یابد. با این حال، نقطه ای وجود دارد که افزایش تعداد جابجایی ها دیگر رفتار سیستم را بهبود نمی بخشد و در واقع منجر به بدتر شدن آن می شود. نتایج نشان می دهد که عملکرد سیستم با استراتژی جابجایی بهبود می یابد. با این حال، نقطه ای وجود دارد که افزایش تعداد جابجایی ها دیگر رفتار سیستم را بهبود نمی بخشد و در واقع منجر به بدتر شدن آن می شود. نتایج نشان می دهد که عملکرد سیستم با استراتژی جابجایی بهبود می یابد. با این حال، نقطه ای وجود دارد که افزایش تعداد جابجایی ها دیگر رفتار سیستم را بهبود نمی بخشد و در واقع منجر به بدتر شدن آن می شود.
عنایتی و همکاران [ ۱۱۰ ] یک بهینه سازی بلادرنگ برای مقابله با تصمیمات مدیریتی مربوط به ناوگان آمبولانس پیشنهاد کرد. در مدل خود، نویسندگان دو مدل برنامه ریزی خطی را به صورت سری پیاده سازی می کنند. مدل اول پوشش را به حداکثر می رساند (مشکل حداکثر مکان پوشش با محدودیت حجم کاری). دوم، به حداقل رساندن زمان جابجایی (حداقل مشکل مکان زمان سفر با محدودیت حجم کاری). تست های محاسباتی عملی بودن و کاربردی بودن مدل را نشان می دهد. به همین ترتیب، طرح جابجایی پوشش را در برابر طرح خط مشی ایستا بهبود می بخشد و در عین حال به حجم کاری اپراتورها احترام می گذارد.
ویل و همکاران [ ۱۱۱ ] با عملیات اعتماد خدمات آمبولانس ولز (WAST) مقابله کرد. در این مورد، آنها قصد داشتند با بهبود پیش بینی برای هر زمان از روز، نیروی کار خدمه را به حداقل برسانند. در مطالعه خود، آنها از تحلیل طیف منفرد (SSA) برای بهبود برآورد تقاضا استفاده کردند. سپس آنها از این پیش‌بینی برای بهینه‌سازی تعداد خدمه در هر شیفت با حفظ کیفیت بالای خدمات استفاده کردند. تکنیک‌های توسعه‌یافته در یک ابزار برنامه‌ریزی ظرفیت نیروی کار ادغام شدند که برنامه‌ریزان WAST می‌توانستند مستقلاً آن را اجرا کنند.
انواع سیاست های مکان یابی در مطالعه انجام شده توسط لام و همکاران مورد بحث و ارزیابی قرار گرفت. [ ۱۰۵ ]. در مطالعه خود، نویسندگان مدل‌های مکان‌یابی مختلف را با جهت‌گیری سیاست‌های ایستا و مدل‌های پویا، که تمام جنبه‌های مسئله و رویکرد عملیاتی را ادغام می‌کنند، بررسی کردند. نویسندگان هر دو روش را با استفاده از شبیه‌سازی ارزیابی کردند و به این نتیجه رسیدند که پرداختن به مشکل از نظر عملیاتی زمان پاسخ EMS را بهبود می‌بخشد. این یافته در مطالعه پیروی و همکاران نیز پیشنهاد شده است. [ ۱۱۲ ]. با این حال، لام و همکاران. [ ۱۰۵ ] تاکید می‌کند که این نوع راه‌حل‌ها به پشتیبانی هر دو ارجاع جغرافیایی نیاز دارند [ ۱۱۳ ]] و سیستم های تبادل اطلاعات در زمان واقعی. گنجاندن این دو عامل پیچیدگی را افزایش می دهد و تا حدی توضیح می دهد که چرا اکثر تحقیقات بر روی سیاست های ایستا تمرکز می کنند.
با توجه به قابلیت‌های محاسباتی بهتری که امروزه در دسترس است، بسیاری از محققان ویژگی‌های بیشتری را در فرآیند مدل‌سازی برای دستیابی به مدل‌های واقعی‌تر گنجانده‌اند. از این نظر، مهم است که گنجاندن تصادفی بودن تقاضا در [ ۶۷ ، ۸۱ ، ۸۶ ، ۸۸ ، ۸۹ ، ۹۵ ، ۱۱۳ ، ۱۱۴ ، ۱۱۵ ، ۱۱۶ ، ۱۱۷ ، ۱۱۸ ، ۱۲۱، ۱۲۱ ، ۱۱۹ ، ۱۱۷ ، ۱۲۱ ، ۱۲۱ ، ، ۱۲۴ ، ۱۲۵ ، ۱۲۶، ۱۲۷ ، ۱۲۸ ]. راه های مختلفی برای پرداختن به تصادف وجود دارد، اما یکی از زمینه های تحقیقاتی برجسته، یادگیری ماشین است. جدیدترین مطالعات سعی می‌کنند تقاضا را با استفاده از رویکردهای مختلف یادگیری ماشین، مانند جنگل تصادفی [ ۱۱۹ ]، شبکه‌های عصبی کانولوشنال [ ۱۲۷ ]، خوشه‌بندی با مدل‌های مخلوط گاوسی [ ۱۲۹ ] پیش‌بینی کنند. روش‌های دیگری که در این مطالعات یافت می‌شوند نیز تلاش می‌کنند تا پیش‌بینی‌های اضطراری مکانی-زمانی را برای تخصیص یا جابجایی آمبولانس‌ها به روشی بهتر انجام دهند. به عنوان مثال، تسای و همکاران. [ ۸۹ ] از هموارسازی سری های زمانی برای مقابله با تصادفی برای تصمیم گیری بهتر برای جابجایی استفاده کنید. سایر محققان با تصادفی بودن تقاضا با مدل های ابرمکعب مانند [۱۰۰ , ۱۱۰ , ۱۱۴ , ۱۱۵ , ۱۲۶ , ۱۲۸ ]. مطالعات دیگر با تصادفی بودن در زمان سفر با استفاده از یادگیری ماشینی [ ۱۳۰ ] سروکار دارند، همانطور که اولاو-روجاس و نیکل [ ۱۳۱ ] قبلا انجام داده اند.
از سوی دیگر، یکی از کاربردهای اساسی یادگیری ماشین در خدمات آمبولانس، توانایی این نوع فناوری برای دادن سیستم های مراقبت های بهداشتی برای شناسایی یا نظارت بر پیشرفت شیوع های احتمالی همه گیر یا حملات بیوتروریستی است. از این نظر، در نظر گرفتن آمبولانس‌ها به عنوان یکی از عناصر حیاتی خط اول دفاعی در این نوع سناریوها حیاتی است. بنابراین، بسیاری از کشورها، نظارت بر سندروم بلادرنگ (ReSS) را ایجاد کرده‌اند که آمبولانس‌ها یکی از عناصر حیاتی آن هستند. هدف از ReSS برای نظارت بر شاخص‌های بیماری در زمان واقعی یا نزدیک به زمان واقعی برای تشخیص شیوع بیماری همه‌گیر زودتر از آنچه در غیر این صورت ممکن است و نظارت بر روند بیماری در جامعه و اطمینان از عدم وقوع شیوع در مقیاس بزرگ در جامعه است. . به گفته سوگیشیتا [۱۳۲ ] و Todkill [ ۱۳۳ ]، یک سیستم مبتنی بر داده های آمبولانس اندازه گیری اضافی از شدت طیف بیماری بالینی را فراهم می کند. این سیستم‌های نظارت سندرمی با پشتیبانی آمبولانس (ADSSSS) به مقامات مراقبت‌های بهداشتی اجازه می‌دهد تا روندها و ویژگی‌های اپیدمیولوژیک کلیدی بیماران را تعیین کنند، و الگوریتم‌های آماری خودکار و تکنیک‌های یادگیری ماشینی را می‌توان برای تشخیص افزایش روزانه در تعداد تماس‌های مورد انتظار [ ۱۳۲ ، ۱۳۳ ] به کار برد. ]. ADSSS در تشخیص تغییرات فصلی در الگوهای عفونت های تنفسی و رشد در تعداد موارد در طول رویدادهای فصلی به موقع است [ ۱۳۳ ]]. تکنیک‌های یادگیری ماشینی به مقامات اجازه می‌دهند تا موارد دور از دسترس یا شرایط غیرطبیعی بیمارانی را که با آمبولانس‌ها سرویس می‌شوند، شناسایی کنند که می‌توانند هشدارهای اولیه یک شیوع همه‌گیری جدید یا فقط اینکه یک بیماری فصلی (آنفولانزا) در حال شروع چرخه فصلی خود است [ ۱۳۲ ] در نظر گرفته شود. اگر آمبولانس‌ها به صورت پویا قرار داشته باشند، لازم است یک سیستم جمع‌آوری داده‌های کارآمد برای جمع‌بندی کافی داده‌ها وجود داشته باشد، با توجه به اینکه هر آمبولانس به دلیل سیاست مکان‌یابی پویا به مناطق مختلف خدمات رسانی می‌کند. با توجه به اینکه هر آمبولانس فقط به یک جامعه خاص خدمت می کند، مدیریت داده ها در یک سیاست ثابت کمی آسان تر است.
مطالعات قدیمی‌تر به دلیل محدودیت‌های محاسباتی بر روی راه‌حل‌های نوع پیشینی تمرکز داشتند. با این حال، فناوری محاسباتی فعلی، فناوری اطلاعات و سیستم‌های اطلاعات جغرافیایی انگیزه توسعه ابزارهای نوع پسینی را ایجاد می‌کنند. چندین نویسنده (Yue et al. [ ۱۳۴ ], Majzoubi et al. [ ۱۳۵ ], Mason [ ۸۳ ], Billhardt et al. [ ۱۰۱ ], Jagtenberg et al. [ ۶۵ ], Lam et al. [ ۱۰۵ ] Van Barneveld ، [ ۱۰۶ ، ۱۰۹ ]؛ عنایتی و همکاران [ ۱۱۰ ]، سودتاچات و همکاران [ ۶۷ ]، یون و آلبرت [ ۱۳۶ ]، روآ و همکاران [ ۷۵ ]، سان و همکاران [ ۱۳۷ ]]، یوانگیایی و همکاران. [ ۱۳۸ ]، Nilsang و همکاران. [ ۱۳۹ ]، ون بورن و همکاران. [ ۱۴۰ ]، تسای و همکاران. [ ۸۹ ]) روی ابزارهای پاسخ بلادرنگ کار کردند، که در شرایط کنونی، به عنوان یک خط توسعه تحقیقاتی امیدوارکننده در آینده این ابزارها بدیهی است.
استفاده از شبکه‌های اجتماعی برای شناسایی رویدادهای خاص، یک زمینه برجسته جدید در جابجایی پویا آمبولانس است. نیلسانگ و همکاران [ ۱۳۹ ] و Yuangyai و همکاران. [ ۱۳۸ ] شبکه های اجتماعی را برای کمک به فرآیندهای تصمیم گیری جابجایی نظارت کنید.
۵٫۴٫۳٫ اهداف بهینه سازی
با توجه به اهداف بهینه‌سازی مورد استفاده در رویکردهای مختلف، بیشترین هدف پوشش و اهداف مشتق مانند بقا، کسر دیر رسیدن، تعداد بازماندگان و پوشش فازی است. داوری و همکاران [ ۵۸ ] به مشکل در نظر گرفتن زمان های سفر فازی که منجر به یک هدف پوشش فازی می شود، پرداخت. معیار خدمات کاملاً به ارزش استاندارد خدمات بستگی دارد. اگر مدیران محدودیت زمانی زیادی (استاندارد خدمات) انتخاب کنند، نشانگر پوشش عملکرد عالی سیستم را نشان می دهد. با این حال، این لزوما به معنای عملکرد با بهترین زمان پاسخ نیست. ارکوت و همکاران [ ۴۹] این وضعیت را تحلیل کرد و در نتیجه عملکرد بقا را به عنوان معیار بهتری برای تصمیم گیری مکان آمبولانس پیشنهاد کرد. این هدف همچنین در [ ۸۶ ، ۹۴ ، ۱۴۱ ] استفاده شد.
به طور خلاصه، اکثر عملکردهای هدف سلامتی بیماران را هدف قرار می دهند. علاوه بر این، در تحولات اخیر، اهداف دیگری مانند توابع بقا (Erkut et al. [ ۴۹ ]) یا مفهوم حسادت (Chanta et al. [ ۸۷ ]) پیشنهاد شده است. یکی دیگر از اهداف رایج مورد استفاده در این نوع مشکلات، زمان پاسخگویی است که زمان سپری شده از دریافت تماس تا رسیدن آمبولانس به محل اورژانس را در نظر می گیرد [ ۸۲ ، ۹۱ ، ۱۱۷ ، ۱۴۲ ].
از سوی دیگر، برخی از نویسندگان در نظر گرفتند که جابجایی بیش از حد می تواند بر عملکرد سیستم تأثیر منفی بگذارد. جابجایی بیش از حد ممکن است باعث رفت و برگشت بیش از حد بین مکان ها و تعداد بیش از حد سفرهای طولانی شود [ ۹۹ ، ۱۰۶ ، ۱۴۳ ]، و این ممکن است باعث خستگی خدمه شود [ ۴۵ ]. تعداد زیاد جابجایی ها نیز بر هزینه های عملیاتی سیستم تأثیر می گذارد [ ۷۴ ، ۹۳ ، ۱۳۵ ]. از سوی دیگر، نیکل و همکاران. [ ۱۰۷ ] این مشکل را به دنبال به حداقل رساندن هزینه های مورد انتظار، اما با در نظر گرفتن هزینه های ثابت مرتبط با پایگاه های آمبولانس و تضمین سطح خدمات، حل می کند. لیو و همکاران [۸۴ ] حداکثر کردن یک هدف را بر اساس معیار آمادگی سیستم پیشنهاد کرد.
برخی از نویسندگان ادغام اهداف را برای پرداختن به مشکل به عنوان یک مسئله چند هدفه در نظر گرفته اند. از جمله این مطالعات می توان به [ ۷۶ ، ۸۲ ، ۸۸ ، ۹۵ ، ۱۱۰ ، ۱۳۶ ، ۱۴۱ ، ۱۴۴ ، ۱۴۵ ] اشاره کرد. همه آنها از روش های مختلفی برای وزن کردن توابع هدف استفاده کردند. برخی از اهداف گنجانده شده در این مطالعات عبارتند از ضریب جینی، بقا، تقاضای کشف نشده، جریمه، هزینه های جابجایی و آمادگی.
۵٫۴٫۴٫ نوع ناوگان
موضوع مرتبط دیگر این است که بیشتر مطالعات فقط یک نوع وسیله نقلیه را در نظر می گیرند. این به معنای ناوگان با وسایل نقلیه مشابه است. این موضوع بسیار مهم است زیرا می تواند هر ابزار پیشنهادی را از نظر ساختاری تغییر دهد. ذکر این نکته ضروری است که محققان در سطح جهانی در تلاشند تا مفهوم ناوگان ناهمگن را بیشتر در مدل های خود بگنجانند. ارتباط یک ناوگان ناهمگن در این واقعیت نهفته است که یک ناوگان ناهمگن می تواند در هزینه صرفه جویی کند، با توجه به اینکه آمبولانس های BLS تجهیزات کمتری نسبت به سایرین دارند. این واقعیت قابل توجه است زیرا با همین مبلغ می توان آمبولانس های بیشتری داشت و هر چه تعداد آمبولانس های موجود بیشتر باشد زمان پاسخگویی سیستم کمتر می شود. این واقعیت به افزایش کیفیت خدمات کمک می‌کند و می‌تواند بر شاخص‌های برابری تأثیر بگذارد [ ۷۳]. اگرچه ALS و BLS رایج‌ترین طبقه‌بندی آمبولانس‌ها هستند، اما ذکر این نکته ضروری است که در برخی موارد، بسته به شرایط یا مقررات کشور یا منطقه مورد مطالعه، این طبقه‌بندی می‌تواند متفاوت باشد. از این نظر، ون بارنولد و همکاران. [ ۶۸ ] از دو نوع آمبولانس مختلف در مدل خود استفاده می‌کنند و آنها را آمبولانس‌های پاسخ‌دهنده سریع (RRAs) و آمبولانس‌های حمل و نقل منظم (RTAs) نامیده‌اند، و تأکید می‌کنند که تفاوت اصلی این است که RRA سریع‌تر است. با این حال، آنها نمی توانند بیمار را به بیمارستان منتقل کنند.
برخی از مشکلات نوع ناوگان را مشخص نمی‌کنند، و نیاز به معرفی نماد سه‌گانه پیشنهادی را برای داشتن دید روشنی از دامنه مشکلی که در هر مورد بررسی می‌شود، دوباره آشکار می‌کند.
۵٫۴٫۵٫ ظرفیت مکان
جنبه دیگری که باید در نظر گرفته شود این است که آیا روش راه حل به چندین وسیله نقلیه در یک نقطه جغرافیایی اجازه می دهد یا خیر. زرندی و همکاران [ ۳۲ ]، تورو دیاز و همکاران. [ ۱۰۰ ]، چانتا و همکاران. [ ۸۷ ]، بیلهارد و همکاران. [ ۱۰۱ ]، ملکی و همکاران. [ ۹۸ ]، ون بارنولد و همکاران. [ ۷۳ ]، در میان دیگران، این گزینه را در مدل های خود لحاظ نمی کنند.
۵٫۴٫۶٫ رویکردهای راه حل
در مقالات مورد مطالعه از تکنیک های حل زیر استفاده شده است: (۱) تکنیک حل دقیق، که شامل تمامی تکنیک ها (برنامه نویسی خطی، برنامه ریزی تصادفی و غیره) است که از الگوریتم های دقیق استفاده می کنند که عمدتاً از طریق نرم افزارهای تجاری مانند CPLEX اعمال می شوند. ii) الگوریتم های ابتکاری، (iii) الگوریتم های فراابتکاری، (IV) یادگیری ماشین، و (v) شبیه سازی. روش‌های حل ویژه یافت شده در مطالعات عمدتاً برنامه‌ریزی غیرخطی، برنامه‌ریزی خطی، شبیه‌سازی-بهینه‌سازی، برنامه‌ریزی تصادفی، شبیه‌سازی یکپارچه با فراابتکاری و برنامه‌ریزی خطی، بهینه‌سازی هندسی، تحلیل جغرافیایی، اکتشافی، رویکرد نمونه‌گیری، ریاضی و جداول انطباق است.
مطالعات ارائه شده توسط فیروز و رفیعی و همکاران. [ ۱۴۶ ]، ون بارنولد [ ۱۰۶ ]، دگل و همکاران. [ ۱۰۳ ]، اندرسون و همکاران. [ ۱۴۱ ]، معینی و همکاران. [ ۱۲۵ ]، شریعت محیمه و همکاران. [ ۹۷ ]، ملکی و همکاران. [ ۹۸ ]، و ون دن برگ و همکاران. [ ۹۰] بر اساس برنامه ریزی خطی هستند و با استفاده از حل کننده های همه منظوره به طور دقیق حل می شوند. با این وجود، یکی از معایب استفاده از برنامه‌ریزی خطی اعداد صحیح مختلط و الگوریتم‌های دقیق این است که چنین مدل‌های پیچیده با کاربردهای مقیاس بزرگ را نمی‌توان در یک زمان محاسباتی کوتاه حل کرد. یکی دیگر از معایب، پیچیدگی مدل سازی صریح رفتار تصادفی مسئله است. این واقعیت تا حدی این واقعیت را توضیح می‌دهد که بسیاری از ابزارهایی که از این رویکرد استفاده می‌کنند، تمایل دارند به سمت تولید راه‌حل‌هایی با ماهیت استراتژیک و کاربرد پیشینی، محدود به موارد در مقیاس کوچک یا حداکثر، موارد در مقیاس متوسط، هدایت شوند.
Naoum-Sawaya و Elhedhli [ ۹۹ ] از یک برنامه ریزی تصادفی دو مرحله ای برای مقابله با مشکل استفاده کردند. این مدل روشی نوآورانه برای مدل‌سازی صریح رفتارهای تصادفی ارائه می‌کند. با این حال، مدل تصادفی تنها یک بار حل می شود و هیچ تکنیک پیشنهادی برای به دست آوردن یک راه حل قوی تر استفاده نمی شود. بوژما و همکاران [ ۱۲۶ ] از میانگین تقریب نمونه (SAA) برای یافتن راه حل بهینه تقریبی از طریق نمونه گیری استفاده کرد.
از سوی دیگر، برخی از ابزارها به دنبال گنجاندن رفتار تصادفی بر اساس رویکردهای غیر خطی هستند [ ۸۱ ، ۱۳۸ ].
در مطالعه ای که توسط زرندی و همکاران انجام شد. [ ۳۲ ]، یک گسترش پویا از MCLP برای درمان مشکلات در مقیاس بزرگ پیشنهاد شد. نویسندگان یک الگوریتم بازپخت شبیه سازی شده برای حل مشکل با توجه به احتمال اشغال آمبولانس ایجاد کردند. این الگوریتم قادر به حل نمونه ها با ۲۵۰۰ گره بود.
اشمید و دورنر [ ۴ ] از الگوریتم جستجوی همسایگی متغیر برای حل مسئله در مورد رویکردها استفاده کردند. نایت و همکاران [ ۹۶ ] و توزان و دونمز [ ۱۴۷ ] از الگوریتم های ژنتیک استفاده کردند. به طور خاص، توزان و دونمز [ ۱۴۷ ] یک الگوریتم ژنتیک را برای نسخه‌های دارای ظرفیت MCLP و LSCM توسعه دادند.
یکی دیگر از رویکردهای فراابتکاری، الگوریتم کلونی زنبورهای مصنوعی است که توسط Andrade و Cunha [ ۱۰۴ ] پیشنهاد شده است. این آخرین الگوریتم نشان می‌دهد که این رویکرد راه‌حل‌های معقولی را با شکاف بهینه، معمولاً زیر ۵ درصد، با حداکثر شکاف ۸٫۲۴ درصد تولید می‌کند. استفاده از این نوع تکنیک به طور قابل ملاحظه ای زمان های محاسباتی راه حل را بهبود می بخشد، بنابراین امکان نزدیک شدن به مسائل در مقیاس قابل توجه را فراهم می کند. با این حال، یک راه حل بهینه تضمین نشده است. سایر رویکردهای فراابتکاری را می توان در [ ۳۲ , ۸۸ , ۸۹ , ۱۱۰ , ۱۱۱ , ۱۱۵ , ۱۴۸ یافت.]، که در آن استفاده از جستجوی تابو و بازپخت شبیه سازی شده توضیح داده شده است. از سوی دیگر، روآ و همکاران. [ ۷۵ ] از یک رویکرد ریاضی برای مقابله با چالش دستیابی به راه حل های سریع استفاده کرد.
از سوی دیگر، یاگتنبرگ و همکاران. [ ۶۵ ] یک الگوریتم اکتشافی مبتنی بر سیاست های اعزام و جابجایی با توجه به وضعیت سیستم در زمان واقعی پیشنهاد کرد. هدف این الگوریتم به حداقل رساندن کسری مورد انتظار از حوادثی است که خارج از استاندارد زمان معین برای پوشش رخ می دهد. طراحی الگوریتم تضمین می کند که می تواند با مشکلات در مقیاس بزرگ مقابله کند.
از سوی دیگر، لام و همکاران. [ ۱۰۵] از تکنیک های تحلیل جغرافیایی استفاده کرد. آنها در وهله اول تجزیه و تحلیل نقاط داغ را انجام دادند. در مرحله دوم، تجزیه و تحلیل چند ضلعی های جابجایی استفاده شد. چند ضلعی جابجایی تکنیکی است که امکان ترسیم مناطق اطراف یک نقطه جغرافیایی را برای زمان سفر از پیش تعیین شده فراهم می کند. این منطقه نشان می دهد که اگر فرد از نقطه جغرافیایی حرکت کند، می تواند به حداکثر مرزهای منطقه مشخص شده در مدت زمان تعیین شده سفر برسد. این تکنیک‌ها امکان مکان‌یابی آمبولانس‌ها را به گونه‌ای فراهم می‌کرد تا تضمین کند که به هر نقطه از فضا می‌توان به زیر زمان آستانه رسید. این نتایج مقایسه شدند و از طریق شبیه‌سازی مشخص شد که رویکرد ریاضی بهترین نتایج را می‌دهد. با این حال، آنها به طور قابل توجهی با تجزیه و تحلیل جغرافیایی متفاوت نیستند. تکنیک های GIS نیز در [۱۱۳ ].
ژن و همکاران [ ۸۰ ] ابزاری را توسعه داد که روش‌های بهینه‌سازی و شبیه‌سازی را ترکیب می‌کند. نویسندگان ابتدا مشکل مکان را حل می کنند. آنها چندین پنجره زمانی را تکه تکه کردند و برای رسیدن به این هدف، راه حل های تصادفی برای مشکل مکان هر دوره تولید کردند. در مرحله بعد، هر یک از این راه حل ها از طریق شبیه سازی، ارزیابی رفتار آن با ۴۰۰ سناریوی اضطراری که به طور تصادفی تولید شده اند، ارزیابی می شود. این شبیه سازی ها امکان محاسبه زمان پاسخگویی آمبولانس مورد انتظار را فراهم می کند. این معیار به عنوان یک هدف بهینه سازی توسط یک الگوریتم ژنتیک که مسئول بهبود راه حل های به دست آمده است استفاده می شود. این فرآیند بارها و بارها با استفاده از ماژول شبیه سازی برای محاسبه میانگین زمان پاسخ مورد انتظار انجام شد.
McCormack و Coates [ ۹۴ ] ابزاری را توسعه دادند که شبیه سازی رویداد گسسته را با یک الگوریتم ژنتیک یکپارچه می کند. مدل شبیه‌سازی آنها از فهرستی از داده‌های تاریخی با نوع و زمان رویدادها (موقعیت‌های اضطراری) استفاده می‌کند. هر راه حل تولید شده توسط الگوریتم با استفاده از مدل شبیه سازی و جستجوی مکرر برای یک راه حل بهتر ارزیابی می شود. مک کورمک و کوتس [ ۹۴ ] احتمال بقا را در طرح شبیه سازی بهینه سازی یکپارچه خود به عنوان یک شاخص عملکرد در نظر گرفتند.
یو و همکاران [ ۱۳۴ ] شبیه سازی رویداد گسسته یکپارچه با یک الگوریتم حریصانه برای ادغام کارآمد یک ابزار قابل دوام برای برنامه های کاربردی بلادرنگ. نویسندگان برنامه SAA را در ابزار یکپارچه کردند. آخرین طرح شبیه‌سازی-مدل‌سازی ترکیبی تحلیل شده توسط لیو و همکاران ارائه شده است. [ ۸۴ ]. این روش شبیه سازی مونت کارلو را به عنوان بخشی جدایی ناپذیر از ابزار ادغام می کند. طرح بهینه سازی پایه یک الگوریتم ژنتیکی است که از شبیه سازی برای ارزیابی راه حل های تولید شده در طول اجرای آن استفاده می کند.
نیکل و همکاران [ ۱۰۷ ] از روش نمونه گیری برای حل مدل برنامه ریزی خطی تصادفی استفاده کرد. نویسندگان فرض کردند که توزیع احتمال تقاضای هر منطقه مشخص است. آنها مدل را با استفاده از یک حل کننده همه منظوره برای سناریوهای تقاضای N حل کردند. سپس بهترین مدل M بار را حل کردند. سپس مقادیر بهینه تابع هدف و متغیرهای تصمیم برآورد شده و میانگین مقادیر M تابع هدف محاسبه می شود.
با توجه به موضوعات عدم قطعیت، اما نه تنها به تقاضا، بلکه با خرابی آمبولانس، غیبت خدمه، در میان سایر موارد، ضروری است که انعطاف پذیری را در تجزیه و تحلیل برای بهبود عملکرد سیستم در طول زمان لحاظ کنیم. برای دستیابی به این هدف، بهینه سازی قوی برای افزایش عملکرد سیستم در [ ۱۱۷ ، ۱۱۸ ] استفاده شد. در مورد برتسیماس و همکاران. [ ۱۱۸ ]، رویکردهای تولید سطر و ستون برای به دست آوردن راه حل های سریع استفاده شد.
با توجه به تأثیر این رویکردها بر کیفیت خدمات، نیاز به رویکردهای پسینی توانمندتر (تغییر موقعیت آمبولانس بسته به تکامل تماس های اضطراری در زمان واقعی) به عنوان یک موضوع مرتبط مطرح شده است [ ۶۹ ].
در بسیاری از مطالعات، مشکلات با رویکردهای اکتشافی حل می شوند. این رویکردهای اکتشافی می توانند از تکنیک های دیگری مانند فرآیندهای تصمیم مارکوف [ ۸۵ ، ۸۶ ]، برنامه نویسی دینامیکی تقریبی [ ۱۲۲ ] و مدل های ابرمکعب [ ۱۲۳ ] پشتیبانی کنند.
شبیه سازی یکی از مرتبط ترین رویکردهای حل در مطالعات است. می توان آن را در [ ۶۸ ، ۷۲ ، ۸۲ ، ۹۴ ، ۱۲۶ ] یافت و معمولاً برای رسیدگی به تصادفی بودن تقاضا و زمان سفر استفاده می شود.
در یک برنامه جدید، نظریه بازی توسط Abensur و همکاران استفاده شد. [ ۹۵ ] برای انتخاب بهترین مکان برای یک ارائه دهنده خدمات اضطراری به منظور به دست آوردن نتایج بهتر در یک محیط رقابتی.

۶٫ اظهارات پایانی و جهت گیری های آینده

هدف این مقاله ارائه یک توصیف کلی از مشکل مکان EMS، چه استاتیک و چه پویا، کاربردهای آن، و پیشرفت‌های اخیر برای شناسایی شکاف‌ها در موضوع و ایجاد خطوط احتمالی تحقیق بود. بستن این شکاف ها به دستیابی به نتایج بهتر در سیستم های مراقبت های بهداشتی در سراسر جهان کمک می کند. تاثیر EMS در سیستم های مراقبت های بهداشتی به دلیل همبستگی آن با میزان بقا و عواقب آن در شرایط اضطراری مربوط به شرایطی مانند سکته مغزی و حملات قلبی بسیار مرتبط است. این واقعیت همچنین تأثیر اقتصادی و اجتماعی قابل توجهی بر هر ملتی دارد.
این مقاله بررسی مفصلی از تکامل مشکلات مکان یابی EMS و پیشرفت های اخیر مشکلات پویا ارائه می دهد. مقالات منتشر شده در سال ۲۰۱۵ یا اخیراً در پایگاه داده WoS در بررسی گنجانده شده است. مقالات بررسی شده نشان داد که بسیاری از پیشنهادها برای کمک به تصمیم گیرندگان در تخصیص و اعزام آمبولانس در دست توسعه هستند. با این وجود، همانطور که در شکل ۸ نشان داده شده است ، رایج ترین رویکرد برای پرداختن به این مشکل، مدل های برنامه ریزی خطی عدد صحیح مختلط (MILP) است (۲۶ مقاله). MILP به دلیل دریافت راه حل دقیق، رویکرد ارجح است.
با این وجود، پرداختن به مشکل با برنامه‌ریزی خطی ممکن است بر توانایی مدل برای نمایش موقعیت‌های واقعی تأثیر بگذارد یا برخی از اهداف بهینه‌سازی را در مدل لحاظ کند. در برخی موارد، محدودیت ها عناصر مدل هستند که می توانند بهتر به صورت غیرخطی بیان شوند. در مواردی که مدل MILP پیاده سازی می شود، رایج ترین حل کننده CPLEX (14 مقاله)، Xpress و Gurobi (هر کدام سه مقاله) است. مقدار رویکرد فراابتکاری با شش مقاله و ریاضی با یک مقاله. این بسیار مهم است زیرا با توجه به اندازه مسئله، انتظار می رفت که نسبت رویکردهای فراابتکاری بیشتر باشد. نسبت بالای رویکردهای دقیق، شواهد دو چیز، قدرت حل‌کننده‌ها افزایش یافته است، و قدرت محاسباتی موجود نیز افزایش یافته است و امکان مقابله با مشکلات بزرگ‌تر را فراهم می‌کند.
از سوی دیگر، بهینه سازی غیرخطی در چهار مقاله استفاده شده و از طریق فراابتکاری و حل کننده های همه منظوره حل شده است. ذکر این نکته ضروری است که چگونه بهینه سازی قوی تنها در دو مقاله استفاده می شود، حتی اگر سیستم باید با توجه به اینکه ممکن است زندگی افراد تحت تأثیر قرار گیرد انعطاف پذیر باشد. شکل ۸ نیز ارتباط رویکردهای اکتشافی را در این نوع مسئله نشان می دهد. در نهایت، تنها یک مقاله برای پرداختن به این مشکل بر اساس نظریه بازی ها است.
در برخی موارد، مشکل به صورت بازگشتی، بهینه سازی و شبیه سازی تکراری حل می شود. به نظر می رسد این نوع رویکرد مشکل را تطبیق پذیرتر می کند. در نهایت، ذکر این نکته ضروری است که اگرچه بسیاری از مشکلات از اطلاعات جغرافیایی برای تخمین زمان سفر یا مسافت استفاده می‌کنند، تنها دو مقاله وجود دارد که GIS در مدل‌سازی گنجانده شده است.
با توجه به ویژگی های در نظر گرفته شده در مسئله، همانطور که در شکل ۹ نشان داده شده است ، اکثر مقالات تقاضای تصادفی را در نظر می گیرند. برخی از آنها زمان های سفر تصادفی را نیز در نظر می گیرند. در هفت مقاله، تصادفی بودن تقاضا به یک رویکرد جابجایی پسینی هدایت شد. برخی دیگر از محققان (شش مقاله) از طریق جداول انطباق به این وضعیت به عنوان یک مشکل چند دوره ای پرداختند. تنها سه مقاله پیش‌بینی تقاضا را در مدل گنجانده بودند. این موضوع با توجه به اینکه سیاست جابجایی باید گذشته و حال سیستم و رویدادهای احتمالی آتی را برای تصمیم گیری در مورد جابجایی یا حتی یک تصمیم اعزام در نظر بگیرد، مرتبط است.
در شکل ۱۰ این پوشش هدف غالبی است که در اکثر تحقیقات دنبال می شود. اهداف دیگر، مانند جریمه و انصاف، سعی می کنند انصاف را در خدمات لحاظ کنند. پوشش دارای اشکالی است که تمایل به مکان یابی آمبولانس ها در مناطق پرجمعیت دارد.
ذکر این نکته ضروری است که اکثر مشکلات پوشش EMS را می توان به دو نوع طبقه بندی کرد: (۱) هر تقاضا را با استفاده از کمترین تعداد امکانات پوشش می دهد. این هدف اصلی مدل‌های مبتنی بر مسئله پوشش مجموعه مکان (LSCP) است، یا (۲) حداکثر کردن تقاضای پوشش داده شده در حین تعیین تعداد ثابتی از امکانات. هدف اصلی مشکلات مبتنی بر مشکل مکان پوشش حداکثری (MCLP) به حداکثر رساندن تقاضای تحت پوشش است. این دو مشکل اساس اکثر مدل های توسعه یافته پس از آن را تشکیل می دهند. بسیاری از مدل‌های دقیق، توسعه‌های پیچیده LSCP و MCLP را نشان می‌دهند که به پوشش مورد انتظار، چند سطحی، احتمالی و ظرفیت محدود می‌پردازند.
همچنین بدیهی است که این مشکلات به طور گسترده مورد مطالعه قرار گرفته اند، اما چالش های مهم هنوز باید مورد توجه قرار گیرند. با در نظر گرفتن تجزیه و تحلیل بخش های قبلی و نتیجه گیری های فوق، ما در نظر می گیریم که مهم ترین چالش ها و خطوط تحقیق در مورد مکان یابی و استقرار EMS به شرح زیر است:

۶٫۱٫ مدل های کل نگر

بسیاری از اهداف بهینه سازی در ادبیات استفاده می شود. با این وجود، در مورد اولویت بندی آنها یا حداقل برخی اقدامات اساسی که باید در مسائل EMS چند هدفه گنجانده شوند، اتفاق نظر وجود ندارد. از این نظر، انتخاب معیارها توسط نویسندگان دلخواه به نظر می رسد و در بسیاری از موارد رویکردی کل نگر را منعکس نمی کند. بنابراین، بررسی امکان گنجاندن تصمیم‌گیری چند معیاره در جابجایی پویا آمبولانس‌ها ضروری است. استفاده از TOPSIS، PROMETHEE و سایر ابزارهای رتبه بندی تصمیم چند معیاره می تواند با رویکردهای بهینه سازی یا اکتشافی ادغام شود تا طرح های استقرار را به دست آورد که با نیاز و تفکر شهروندان مطابقت بیشتری دارد.

۶٫۲٫ الگوریتم‌هایی برای مدل‌های گسترده‌تر و واقعی‌تر

در حال حاضر شهرها نه تنها در کشورهای توسعه یافته بلکه در کشورهای در حال توسعه نیز در حال تبدیل شدن به کلان شهرهای بزرگ هستند. شهرها گسترده شده اند، و در عین حال، آنها به شدت مسکونی شده اند، که تقاضای احتمالی و نقاط بالقوه مکان را افزایش می دهد. افزایش تقاضا و مکان های بالقوه، حل استقرار آمبولانس را به یک کار چالش برانگیز تبدیل می کند. اندازه مشکل هنگام تلاش برای پرداختن به استقرار مجدد پویا EMS یا در نظر گرفتن مشکلات چند هدفه، که در آن مشکل باید در عرض چند ثانیه حل شود، بسیار مهم است. بنابراین، توسعه راهبردهای راه حل جدید و توانمندتر ضروری است. این استراتژی ها می توانند شامل بهینه، ابتکاری، فراابتکاری (هیپرابتکاری و ریاضیات) برای مسائل فعلی و آینده باشند. ذکر این نکته ضروری است که ارتباط جابجایی پویا به این واقعیت بستگی دارد که نتیجه سیستم را بهبود می بخشد. یکی دیگر از موضوعات مهم، انعطاف پذیری سیستم، در تصادف آمبولانس یا فقط به دلیل ترافیک یا خرابی مکانیکی است. از این نظر، رویکردهای راه‌حل مبتنی بر نظریه بازی‌های مشارکتی می‌تواند مفید باشد.
موضوع مهم دیگر در جابجایی EMS به حداقل رساندن فاصله برای رسیدن به نقطه تقاضا است. با این حال، ساخت یک مدل جامع‌تر که در آن نه سفر پایگاه به محل اورژانس، بلکه سفر جهانی (پایه EMS-محل اورژانس-بیمارستان) به حداقل برسد، می‌تواند ضروری باشد. همچنین ضروری است که برنامه های کاربردی بیشتری در رابطه با پوشش مداوم، استفاده از ناوگان آمبولانس های چندگانه و فرسودگی نیروی کار در نظر گرفته شود.
با توجه به ساخت مدل های واقعی تر، Aringhieri و همکاران. [ ۱۴۹ ] مشخص کرد که لازم است مدل هایی ایجاد شود که به طور همزمان اطلاعات واقعی و چندین منبع عدم قطعیت را در خود جای دهند. اکثر مطالعات موجود در ادبیات تنها بر یک یا دو جنبه تصادفی تمرکز می‌کنند، و کمبود مدل‌های مکان وجود دارد که همه منابع عدم قطعیت را به طور همزمان مدیریت کنند. همچنین مطالعه استحکام سیستم های EMS ضروری است. علاوه بر این، برخی از ابزارها، مانند برنامه ریزی تصادفی، مستعد بهبود هستند [ ۹۹ ]. جنبه ای که توسط لی و همکاران برجسته شده است. [ ۱۵۰ ] فقدان برنامه ریزی هدف و مدل های غیر خطی است. آرینگیری و همکاران [ ۱۴۹] ترکیب تکنیک های بهینه سازی با شبکه های پتری (تعمیم یافته) تصادفی را پیشنهاد کرد.

۶٫۳٫ عدم وجود مجموعه داده های باز

بسیاری از مطالعات مزایای پرداختن به مشکلات را به نحوی نشان می‌دهند و این مزایا با بهبود برخی از شاخص‌ها در سناریوهای شبیه‌سازی شده پشتیبانی می‌شوند. با این وجود، در بسیاری از موارد، نتایج به دست آمده از شبیه سازی در مطالعات به راحتی قابل تکرار نیستند. در برخی موارد، داده‌های ورودی مدل شبیه‌سازی توصیف و منتشر نشده است. مشکلات مهم دیگر با این مطالعات جزئیاتی است که به وضوح تعریف نشده اند، مانند پارامترها و سیاست های مورد استفاده برای زیرساخت جاده و رفتار ترافیکی و زمان حمل و نقل مورد استفاده در آن شبیه سازی ها.
مجموعه داده‌های باز می‌توانند همه رویکردها را از نظر عملکرد از نظر کیفیت و به موقع بودن مقایسه کنند. این واقعیت می تواند به تعیین استانداردی برای حل مشکلات مکان EMS کمک کند.

۶٫۴٫ هوش مصنوعی و یادگیری ماشینی

مدل‌های هوش مصنوعی و یادگیری ماشین فرصت‌های بهبود قابل توجهی در این مشکلات هستند. یادگیری ماشینی می تواند هم به عنوان یک رویکرد راه حل و هم برای بهبود برخی ورودی های مشکل استفاده شود. پیش‌بینی زمان، مکان و شدت تماس اضطراری زیر می‌تواند عملکرد سیستم‌ها را افزایش دهد. شکاف بین بهینه و MEXCLP (با جابجایی پویا) در حال حاضر تقریباً ۹۰٪ است [ ۱۵۱]. این به این معنی است که درصد سفرهای مکان به مکان اضطراری مطابق با استاندارد خدمات، هنگام کار با داده های آنلاین تقریباً دو برابر می شود. این نتایج با یک مدل شبیه سازی به دست آمد. در وهله اول، شبیه سازی با مکان های به دست آمده با MEXCLP اجرا شد. شبیه‌سازی دوباره اجرا شد، اما مکان اضطراری بعدی را تامین می‌کند که به مدل اجازه می‌دهد تصمیمات بهتری بگیرد [ ۱۵۱ ]]. بنابراین، لازم است استفاده از یادگیری ماشین برای پیش‌بینی پویا تقاضای EMS و پیش‌بینی تقاضای آینده با توجه به وضعیت فعلی سیستم بررسی شود. همچنین عدم ادغام پیش‌بینی تقاضای مکانی-زمانی با فرآیندهای بهینه‌سازی وجود دارد. به عنوان مثال، برای بهبود پیش‌بینی، لازم است در سری زمانی اطلاعات، ویژگی‌های آب‌وهوا، ویژگی‌های اجتماعی-اقتصادی و وقوع همزمان تقاضا گنجانده شود. پیش‌بینی‌های خوب به تصمیم‌گیری بهتر در مورد جابه‌جایی یا حداقل زمان انطباق در صورتی که مشکل به صورت چند دوره‌ای بررسی شود، کمک می‌کند. یکی دیگر از زمینه های برجسته تحقیقاتی مرتبط با یادگیری ماشین، استفاده از آن برای کمک به اعزام کنندگان در اختصاص آمبولانس ها پس از تحویل بیمار به بیمارستان است. اگرچه برخی از کاربردهای این ابزار وجود دارد،
ادامه تحقیقات در مورد تکنیک‌های یادگیری ماشین با داده‌های به‌دست‌آمده در طول خدمات آمبولانس برای پیش‌بینی بهتر شروع احتمالی شیوع همه‌گیری مرتبط است. تشخیص زودهنگام شیوع همه‌گیری به مقامات کمک می‌کند تا اقدامات مهاری برای شیوع این بیماری را ایجاد کنند و شانس بیشتری برای شناسایی بیمار صفر داشته باشند. این موقعیت‌ها همچنین ممکن است به دلیل تمرکز موارد شیوع در برخی از مناطق شهر بر تصمیم‌گیری‌های مکان‌یابی تأثیر بگذارد و می‌تواند در مهار شیوع COVID-19 بسیار مفید باشد.

۶٫۵٫ تاب آوری

گنجاندن انعطاف‌پذیری در طراحی سیاست‌های مکان EMS برای رویارویی با رویدادهای خاص مانند همه‌گیری فعلی COVID-19 بسیار مهم است. در نظر گرفتن سناریوهای مختلفی که سیستم های EMS در سرتاسر جهان هنگام رخ دادن رویدادهای خاص مانند H1N1، SARS و EVD با آن مواجه شده اند، ضروری است. سیستم باید از تغییرات پروتکل های مربوط به سالم سازی آمبولانس ها و اعضای خدمه آگاه باشد که بر در دسترس بودن و آمادگی سیستم تأثیر می گذارد. در نتیجه، تقاضای تحت پوشش سیستم کاهش خواهد یافت. مسئله دیگری که بر استحکام سیستم تأثیر می گذارد و باید در نظر گرفته شود این است که آمبولانس ها ممکن است در موارد اضطراری معمول در خانه به سیستم کمک کنند تا در موارد شیوع بسیار عفونی از ED جلوگیری کنند.
خدمات رسانی به بیماران مبتلا به بیماری های بسیار مسری مانند سارس یا بیماری ویروس ابولا (EVD) مستلزم اجرای سیاست های خاصی است که به سرعت توسط خدمات آمبولانس اورژانس برای حمایت و محافظت کافی از همه پرسنل اجرا شود [ ۱۵۲ ]. از این نظر باید در سیاست ها، رفتار پرسنل، آموزش و آموزش اعضای خدمه آمبولانس تغییراتی ایجاد شود. این وضعیت به طور قابل توجهی بر هزینه های خدمات آمبولانس و عملکرد سیستم تأثیر می گذارد، با توجه به اینکه سیاست های جدید ممکن است شامل ضدعفونی کامل آمبولانس و خدمه باشد. این وضعیت بر آمادگی آمبولانس ها و در نتیجه ظرفیت و هزینه های سیستم تأثیر می گذارد [ ۱۵۲ ]. بنابراین، سیاست مکان ممکن است تحت تأثیر قرار گیرد.

۶٫۶٫ مدل هایی برای مناطق روستایی

مطالعات یافت شده در این بررسی عمدتاً بر مکان آمبولانس ها در مناطق پرجمعیت متمرکز است. این مناطق می توانند شهرهای بزرگ یا شهرهای کوچک باشند، اما در هر یک از موارد افراد زیادی در یک منطقه متمرکز هستند. هنگام پرداختن به مناطق روستایی با مناطق شهری، لازم است محدودیت هایی در نظر گرفته شود که تضمین کننده خدمات رسانی به مردم مناطق روستایی باشد. مشکل در به حداکثر رساندن تقاضای تحت پوشش نهفته است. این مدل همیشه سعی می کند آمبولانس ها را در مناطق پرجمعیت قرار دهد و مناطق کم تراکم را بدون پوشش رها کند. از این رو، توسعه مدل هایی که بتوان با موفقیت در مناطق روستایی پیاده سازی کرد، ضروری است. برای اقدامات جابجایی آمبولانس های بیکار باید در این نوع مشکلات به دنبال سایر اقدامات عملکردی بود. از این نظر، ون بارنولد و همکاران. [۷۳ ] در نظر گرفت که آمبولانس ها نیازی به بازگشت به ایستگاه پایه ندارند. این به این معنی است که آمبولانس ها مجاز هستند در هر گره ای بیکار شوند. این امر درجه بالایی از پیچیدگی فضای حالت را به ارمغان می آورد. بنابراین، آنها یک رویکرد اکتشافی برای محاسبه اقدامات استقرار مجدد ارائه کردند. این استراتژی‌ها همراه با یادگیری ماشینی و اهداف چند بعدی که عدالت سیستم را تشویق می‌کنند، برای مناطق روستایی، به‌ویژه در کشورهایی مانند کلمبیا، که مناطق روستایی توسط دولت رها شده‌اند، حیاتی هستند.
در نهایت، ذکر این نکته ضروری است که آمبولانس‌ها در اجرای وظایف پیشگیرانه‌تر برای جلوگیری از بستری شدن بیماران و بیمارانی که مجدداً به بیمارستان‌ها مراجعه می‌کنند، مشارکت بیشتری دارند. این را می توان با انجام ملاقات های مشترک با پرستاران برای نظارت بر بهبودی بیماران ترخیص شده یا تکامل بیماران تحت درمان های مختلف به دست آورد. از این نظر، آمبولانس همچنین به یک عامل اساسی برای جمع‌آوری داده‌ها برای کل سیستم، انجام وظایف پیشگیری، و هشدار در مورد شرایط غیرعادی یک بیمار خاص یا گروهی از بیماران تبدیل می‌شود که نشان‌دهنده هشدار اولیه برای همه‌گیری‌ها است.

ضمیمه الف. کمک های اصلی به مشکلات مکان یابی پویا آمبولانس

نویسندگان ملاحظات اضافی اهداف) رویکرد راه حل نماد سه گانه
α β γ
ون بارنولد [ ۱۰۶ ] جداول انطباق، جابجایی جابجایی پنالتی مورد انتظار MILP/CPLEX DL نماینده مجلس پ.ن
جاگتنبرگ و همکاران [ ۸۵ ] NA کسری از رسیدن دیرتر از زمان هدف فرآیند تصمیم گیری مارکوف DL DPl UD
جاگتنبرگ و همکاران [ ۶۵ ] NA کسری از دیر رسیدن رویکرد اکتشافی DL UD
ون بارنولد و همکاران [ ۶۸ ] جداول انطباق، جابجایی تقاضای تحت پوشش MILP/CPLEX DL MP-DPl سی
ون بارنولد و همکاران [ ۷۳ ] جداول انطباق، جابجایی زمان پاسخ معیارهای مختلف مبتنی بر اکتشافی DL MP-DPl RT
ون بارنولد و همکاران [ ۱۰۹ ] مشکل انتساب گلوگاه خطی زمان پاسخ معیارهای مختلف مبتنی بر اکتشاف DL DPl RT
دگل و همکاران [ ۱۰۳ ] داده های وابسته به زمان پوشش MILP/Fico Xpress DL ST سی
آندراده و کونا [ ۱۰۴ ] تغییرات وابسته به زمان در زمان سفر پوشش مضاعف و به حداقل رساندن هزینه جابجایی الگوریتم MILP/کلونی زنبورهای مصنوعی DL A2-ST C-Ct
لام و همکاران [ ۱۰۵ ] داده های GIS پوشش دوگانه MILP/CPLEX و تحلیل جغرافیایی DL DF Ct
ون دن برگ و همکاران [ ۹۰ ] تقاضای وابستگی زمانی، در دسترس بودن. چند دوره ای پوشش مورد انتظار، به حداقل رساندن تعداد مکان ها و هزینه جابجایی MILP/CPLEX SL MP-DF C-RL
مک کورمک و کوتس [ ۹۴ ] عملکرد بقا، زمان سفر، در دسترس بودن وسیله نقلیه احتمال بقا مسئله غیرخطی/الگوریتم ژنتیک DL A2 اس
عنایتی و همکاران [ ۱۱۰ ] تقاضای تصادفی پوشش و زمان کل جابجایی الگوریتم MILP / ژنتیک DL SF C-RL
یون و آلبرت [ ۱۳۶ ] به موقع پوشش مورد انتظار و مناسب بودن آمبولانس اعزامی فرآیند تصمیم گیری مارکوف DL A2 سی
اندرسون و همکاران [ ۱۴۱ ] NA پوشش، بقا MILP/Xpress DL A2
بوژما و همکاران [ ۱۲۶ ] عدم قطعیت تقاضا هزینه ها، جریمه برای تقاضای برآورده نشده MILP/CPLEX DL SF-MP-A2 Ct-UD
تسای و همکاران [ ۸۹ ] تصادفی بودن تقاضا پوشش، هزینه جابجایی، حقوق صاحبان سهام غیر خطی/PSO DL SF Ct-CE
پنگ و همکاران [ ۱۱۴ ] تصادفی بودن تقاضا هزینه اکتشافی برنامه نویسی محدود MILP/شانس DL SF Ct
کاروالیو و همکاران [ ۷۶ ] NA پوشش، آمادگی رویکرد اکتشافی DL C-RT
بلانگر و همکاران [ ۱۴۲ ] NA زمان پاسخ MILP/PLEX و شبیه سازی DL RT
عنایتی و همکاران [ ۸۸ ] تصادفی بودن تقاضا جینی، زمان پاسخگویی، پوشش، حجم کاری، احتمال ضرر مدل غیر خطی/NSGA DL SF E-RT-C-CS
لی [ ۷۷ ] NA شاخص جینی، رفاه رویکرد اکتشافی DL RT-E
ون بارنولد و همکاران [ ۸۲ ] استقرار مجدد، آمبولانس های شلوغ در وضعیت سیستم، حجم کاری خدمه درصد به موقع، زمان پاسخگویی، زمان جابجایی، پوشش رویکرد اکتشافی DL WF-Po RT-C-NS-RL
پیروی و همکاران [ ۱۱۲ ] مکان های موقت زمان پاسخ رویکرد اکتشافی DL پو RT
دولجس و همکاران [ ۱۳۰ ] زمان سفر تصادفی پوشش جنگل تصادفی ST سی
جی و همکاران [ ۱۱۶ ] تقاضای تصادفی، زمان های سفر تصادفی پوشش الگوریتم تطبیق بهینه، بر اساس معیارهای مختلف DL ST-SF سی
بوتیلیر و چان [ ۱۱۷ ] تقاضای تصادفی و زمان سفر، قوانین ارسال زمان پاسخ MILP/Gurobi، بهینه سازی قوی دو مرحله ای DL SF-DF-ST RT
روآ و همکاران [ ۷۵ ] اطلاعات بلادرنگ پوشش، زمان جابجایی MILP/CPLEX، رویکرد ریاضی DL SF-Po C-TR
سان و همکاران [ ۱۳۷ ] اطلاعات بلادرنگ زمان پاسخ رویکرد اکتشافی DL پو RT
یوانگیایی و همکاران [ ۱۳۸ ] بلادرنگ، شبکه های اجتماعی پوشش بهینه سازی غیرخطی DL Po-SF سی
محری و همکاران [ ۱۵۳ ] NA پوشش تجزیه و تحلیل پاکت داده ها / MILP DL سی
آبنسور و همکاران [ ۹۵ ] تقاضای تصادفی، رقابت بین ارائه دهندگان تابع جریمه با در نظر گرفتن مسائل مالی و عملکرد زیان مشتری تئوری بازی، شبیه سازی. DL FI-SF-WF پ.ن
آسیم و همکاران [ ۱۱۳ ] تقاضای تصادفی پوشش تحلیل فضایی با GIS DL SF سی
پارک و لی [ ۸۶ ] تقاضای تصادفی بقا برنامه نویسی پویا تقریبی / فرآیند تصمیم گیری مارکوف DL SF اس
برتسیماس و همکاران [ ۱۱۸ ] تصادفی بودن تقاضا پوشش بهینه سازی قوی MILP/Gurobi، تولید ستون، تولید ردیف DL SF سی
نیلسانگ و همکاران [ ۱۳۹ ] اطلاعات بیدرنگ، شبکه های اجتماعی (توئیتر) پوشش MILP DL SF-Po سی
یانوسیکوا و همکاران [ ۸۱ ] تصادفی بودن تقاضا پوشش MILP/Xpress، شبیه سازی DL SF- A2 سی
گرکوسیس و لیو [ ۱۱۹ ] تصادفی بودن تقاضا پوشش جنگل تصادفی
ال ایتانی و همکاران [ ۱۲۰ ] تصادفی بودن تقاضا پوشش، هزینه MILP DL SF C-Ct
فیروز و رفیعی و همکاران. [ ۱۴۶ ] زمان در دسترس نبودن، جابجایی پوشش MILP/CPLEX DL سی
ون بورن و همکاران [ ۱۴۰ ] به موقع پوشش رویکرد اکتشافی DL پو سی
عنایتی و همکاران [ ۱۲۱ ] تقاضای تصادفی، حجم کار نیروی کار پوشش MILP/شاخه لاگرانژی و صحافی DL SF-WF سی
کوئلیو و همکاران [ ۱۵۴ ] NA پوشش MILP/CPLEX DL سی
لام و همکاران [ ۱۲۲ ] تقاضای تصادفی، زمان های سفر تصادفی پوشش برنامه نویسی پویا تقریبی DL SF-ST سی
کالدرین و همکاران [ ۱۴۸ ] NA پوشش MILP / بازپخت شبیه سازی شده DL نماینده مجلس سی
انصاری و همکاران [ ۱۲۳ ] تقاضای تصادفی و زمان سفر پوشش MILP/Gurobi، مدل هایپرمکعب DL SF-ST سی
درزنر و همکاران [ ۱۲۴ ] تقاضای تصادفی و زمان سفر پوشش MILP/CPLEX DL ST-SF سی
معینی و همکاران [ ۱۲۵ ] تقاضای تصادفی پوشش MILP/CPLEX DL SF سی
Sudtachat و همکاران [ ۶۷ ] تقاضای تصادفی پوشش MILP/CPLEX DL SF سی

منابع

  1. اورتیز-باریوس، ام. نیرا-رودادو، دی. جیمنز-دلگادو، جی. مک کلین، اس. لارا، او. تعریف استراتژی برای کاهش ناکارآمدی های عملیاتی در واحد سکته مغزی . یادداشت‌های سخنرانی در علوم کامپیوتر، از جمله یادداشت‌های سخنرانی در هوش مصنوعی و یادداشت‌های سخنرانی در بیوانفورماتیک. Springer: برلین/هایدلبرگ، آلمان، ۲۰۱۸; جلد ۱، ص ۴۸۸–۵۰۰٫ [ Google Scholar ] [ CrossRef ]
  2. شوارتز، AM; آریاس، سیستم عامل؛ Zviniene، A. رودلف، اچ پی؛ Eckardt، S. کوتل، جی. ایمرول، اچ. آبلز، ام . هرم معکوس: سیستم های بازنشستگی در مواجهه با چالش های جمعیتی در اروپا و آسیای مرکزی . بانک جهانی: واشنگتن، دی سی، ایالات متحده آمریکا، ۲۰۱۴٫ [ Google Scholar ]
  3. تامبلین، آر. مک ماهون، ام. نادیگل، ج. دانینگ، بی. دریک، ای. تحول نظام سلامت از طریق نوآوری تحقیقاتی. HealthcarePapers ۲۰۱۶ ، ۱۶ ، ۸-۲۰٫ [ Google Scholar ]
  4. اشمید، وی. مشکلات مکان Doerner، KF آمبولانس و جابجایی با زمان سفر وابسته به زمان. یورو جی. اوپر. Res. ۲۰۱۰ ، ۲۰۷ ، ۱۲۹۳-۱۳۰۳٫ [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  5. رودریگز، آ.ک. اوسورنو، جنرال موتورز Maya, PA Relocalización de vehículos en servicios de emergencias medicas: A revisión. اینگ. Cienc. ۲۰۱۶ ، ۱۲ ، ۱۶۳-۲۰۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  6. امبرسون، جی. لیز، KR; لیدن، پی. بلک ول، ال. آلبرز، جی. بلوهمکی، ای. برات، تی. کوهن، جی. دیویس، اس. دانان، جی. و همکاران تأثیر تأخیر در درمان، سن و شدت سکته مغزی بر اثرات ترومبولیز داخل وریدی با آلتپلاز برای سکته مغزی ایسکمیک حاد: یک متاآنالیز داده‌های فردی بیمار از کارآزمایی‌های تصادفی‌سازی شده. Lancet ۲۰۱۴ ، ۳۸۴ ، ۱۹۲۹-۱۹۳۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  7. اشمید، وی. حل مشکل جابجایی و اعزام آمبولانس پویا با استفاده از برنامه نویسی پویا تقریبی. یورو جی. اوپر. Res. ۲۰۱۲ ، ۲۱۹ ، ۶۱۱-۶۲۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  8. ساندبرگ، جی. باگوست، ا. Terent, A. مدلی برای هزینه های خدمات سکته مغزی. سیاست سلامت ۲۰۰۳ ، ۶۳ ، ۸۱-۹۴٫ [ Google Scholar ] [ CrossRef ]
  9. مک کلین، اس. گیلسپی، جی. گارگ، ال. بارتون، ام. اسکاتنی، بی. کولرتون، ک. استفاده از مدل‌های فازی برای هزینه مراقبت از بیمار سکته مغزی در خدمات بهداشتی، اجتماعی و اجتماعی. یورو جی. اوپر. Res. ۲۰۱۴ ، ۲۳۶ ، ۱۹۰-۱۹۹٫ [ Google Scholar ] [ CrossRef ]
  10. سازمان بهداشت جهانی. بیماری های قلبی عروقی (CVDs). ۲۰۱۷٫ در دسترس آنلاین: https://www.who.int/news-room/fact-sheets/detail/cardiovascular-diseases-(cvds) (در ۵ نوامبر ۲۰۱۹ قابل دسترسی است).
  11. هرناندز، بی. بنژومیا، پ. Tuso، L. شاخص های عملکرد بالینی فیزیوتراپی در حمله اولیه عروق مغزی مدیریت بیمارستان (CVA). کشیش Cienc. Salud ۲۰۱۳ ، ۱۱ ، ۷-۳۴٫ [ Google Scholar ]
  12. ساکلی، سی. پاوند، ک. تعیین اولویت ها برای طرح ترخیص برای بیماران سکته مغزی که وارد مراقبت در منزل می شوند. کلین. توانبخشی. ۲۰۰۲ ، ۱۶ ، ۸۵۹-۸۶۶٫ [ Google Scholar ] [ CrossRef ]
  13. برگر، ا. ونت، جی. بون، ا. جانتزن، تی. برنر، اس. لفرینگ، آر. سیوالد، اس. گرسنر، J.-T. فیشر، ام. اثر زمان پاسخ آمبولانس بر بقا پس از ایست قلبی خارج از بیمارستان، تجزیه و تحلیل از ثبت احیا آلمان. Dtsch. ارزتبل. بین المللی ۲۰۱۸ ، ۱۱۵ ، ۵۴۱-۵۵۰٫ [ Google Scholar ] [ CrossRef ]
  14. اینگولفسون، آ. بودج، اس. Erkut، E. مکان بهینه آمبولانس با تاخیرهای تصادفی و زمان سفر. مدیریت مراقبت های بهداشتی. علمی ۲۰۰۸ ، ۱۱ ، ۲۶۲-۲۷۴٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  15. بودج، اس. اینگولفسون، آ. Zerom، D. تجزیه و تحلیل تجربی زمان سفر آمبولانس: مورد خدمات پزشکی اورژانس کلگری. مدیریت علمی ۲۰۱۰ ، ۵۶ ، ۷۱۶-۷۲۳٫ [ Google Scholar ] [ CrossRef ]
  16. کلیسا، RL; موری، ای. مدل‌های پوشش مکان: تاریخچه، برنامه‌ها و پیشرفت‌ها . Springer: برلین/هایدلبرگ، آلمان، ۲۰۱۸٫ [ Google Scholar ]
  17. بولینگ، الف. نحوه اجرای پرسشنامه می تواند تأثیرات جدی بر کیفیت داده ها داشته باشد. J. بهداشت عمومی ۲۰۰۵ ، ۲۷ ، ۲۸۱-۲۹۱٫ [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  18. سانچز-کوماس، آ. سینس، ک. هالبرگ، جی. سخت افزار برای شناخت فعالیت های انسانی: مروری بر خانه های هوشمند و فناوری های مرتبط با AAL. Sensors ۲۰۲۰ , ۲۰ , ۴۲۲۷٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  19. وانگ، کیو. Waltman, L. تجزیه و تحلیل در مقیاس بزرگ از دقت سیستم های طبقه بندی مجلات Web of Science و Scopus. J. Inf. ۲۰۱۶ ، ۱۰ ، ۳۴۷-۳۶۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  20. Zaric, G. تحقیقات عملیاتی و سیاست مراقبت های بهداشتی ; Springer: برلین/هایدلبرگ، آلمان، ۲۰۱۳; جلد ۱۹۰٫ [ Google Scholar ]
  21. رویتر-اپرمن، ام. برگ، PVD; Vile، JL Logistics برای سیستم های خدمات پزشکی اورژانس. سیستم سلامت ۲۰۱۷ ، ۶ ، ۱۸۷-۲۰۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  22. حکیمی، SL مکان های بهینه مراکز سوئیچینگ و مراکز مطلق و میانه های یک نمودار. اپراتور Res. ۱۹۶۴ ، ۱۲ ، ۴۵۰-۴۵۹٫ [ Google Scholar ] [ CrossRef ]
  23. تورگاس، سی. سواین، آر. رول، سی. برگمن، ال. محل تأسیسات خدمات اضطراری. اپراتور Res. ۱۹۷۱ ، ۱۹ ، ۱۳۶۳-۱۳۷۳٫ [ Google Scholar ] [ CrossRef ]
  24. تورگاس، سی. ReVelle, C. مکان بهینه تحت محدودیت زمانی یا فاصله. پاپ Reg. علمی ۱۹۷۲ ، ۲۸ ، ۱۳۱-۱۴۳٫ [ Google Scholar ] [ CrossRef ]
  25. کلیسا، آر. Revelle، C. مشکل مکان پوشش حداکثر. پاپ Reg. علمی ۱۹۷۴ ، ۳۲ ، ۱۰۱-۱۱۸٫ [ Google Scholar ] [ CrossRef ]
  26. داسکین، ام اس؛ Stern، EH یک مدل پوششی مجموعه هدف سلسله مراتبی برای استقرار وسایل نقلیه خدمات پزشکی اورژانسی. ترانسپ علمی ۱۹۸۱ ، ۱۵ ، ۱۳۷-۱۵۲٫ [ Google Scholar ] [ CrossRef ]
  27. هوگان، ک. ReVelle, C. مفاهیم و کاربردهای پوشش پشتیبان. مدیریت علمی ۱۹۸۶ ، ۳۲ ، ۱۴۳۴-۱۴۴۴٫ [ Google Scholar ] [ CrossRef ]
  28. ماه، شناسه; Chaudhry, S. An Analysis of Network Location Problems with Distance Constraints. مدیریت علمی ۱۹۸۴ ، ۳۰ ، ۲۹۰-۳۰۷٫ [ Google Scholar ] [ CrossRef ]
  29. رول، سی. شوایتزر، جی. اسنایدر، اس. مسئله پوشش شرطی حداکثر. INFOR Inf. سیستم اپراتور Res. ۱۹۹۶ ، ۳۴ ، ۷۷-۹۱٫ [ Google Scholar ] [ CrossRef ]
  30. جندرو، م. لاپورت، جی. Semet، F. حل مدل مکان آمبولانس با جستجوی تابو. مکان یابی کنید. علمی ۱۹۹۷ ، ۵ ، ۷۵-۸۸٫ [ Google Scholar ] [ CrossRef ]
  31. لاپورت، جی. Louveaux، FV; سمت، اف. Thirion، A. کاربردهای مدل استاندارد دوگانه برای مکان آمبولانس. در نوآوری در لجستیک توزیع ; Springer: برلین/هایدلبرگ، آلمان، ۲۰۰۹; صص ۲۳۵-۲۴۹٫ [ Google Scholar ] [ CrossRef ]
  32. زرندی، MHF; داوری، س. سی سخت، SAH مسئله مکان پوشش حداکثر پویا در مقیاس بزرگ. ریاضی. محاسبه کنید. مدل. ۲۰۱۳ ، ۵۷ ، ۷۱۰-۷۱۹٫ [ Google Scholar ] [ CrossRef ]
  33. چپمن، اس. White, J. فرمولبندی احتمالی مشکلات مکان تاسیسات خدمات اضطراری ; Springer: برلین/هایدلبرگ، آلمان، ۱۹۷۴٫ [ Google Scholar ]
  34. Daskin، M. مدل محل پوشش حداکثر مورد انتظار: فرمولاسیون، خواص و راه حل اکتشافی. ترانسپ علمی ۱۹۸۳ ، ۱۷ ، ۴۸-۷۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  35. لارسون، RC یک مدل صف بندی هایپرمکعب برای مکان یابی تسهیلات و تقسیم بندی مجدد در خدمات اورژانس شهری. محاسبه کنید. اپراتور Res. ۱۹۷۴ ، ۱ ، ۶۷-۹۵٫ [ Google Scholar ] [ CrossRef ]
  36. مدل‌های پوششی ماندل، MB برای سیستم‌های خدمات پزشکی اورژانس دو طبقه. مکان یابی کنید. علمی ۱۹۹۸ ، ۶ ، ۳۵۵-۳۶۸٫ [ Google Scholar ] [ CrossRef ]
  37. باتا، آر. دولان، جی.ام. کریشنامورتی، NN مشکل مکان پوشش حداکثر مورد انتظار: بازبینی شده است. ترانسپ علمی ۱۹۸۹ ، ۲۳ ، ۲۷۷-۲۸۷٫ [ Google Scholar ] [ CrossRef ]
  38. گلدبرگ، جی. دیتریش، آر. چن، جی.ام. میتواسی، م. والنزوئلا، تی. کریس، ای. اعتبارسنجی و بکارگیری مدلی برای مکان یابی وسایل نقلیه پزشکی اورژانس در توسان، AZ. یورو جی. اوپر. Res. ۱۹۹۰ ، ۴۹ ، ۳۰۸-۳۲۴٫ [ Google Scholar ] [ CrossRef ]
  39. ماریانوف، وی. ReVelle, C. مشکل موقعیت مکانی حداکثر در دسترس بودن صف: مدلی برای مکان یابی وسایل نقلیه اضطراری. یورو جی. اوپر. Res. ۱۹۹۶ ، ۹۳ ، ۱۱۰-۱۲۰٫ [ Google Scholar ] [ CrossRef ]
  40. بارون، او. برمن، او. کیم، اس. Krass, D. اطمینان از امکان سنجی در مشکلات مکان با تقاضاهای تصادفی و تراکم. IIE Trans. ۲۰۰۹ ، ۴۱ ، ۴۶۷-۴۸۱٫ [ Google Scholar ] [ CrossRef ]
  41. ماریانوف، وی. Serra، D. احتمالی، مکان پوشش حداکثر – مدل های تخصیص برای سیستم های متراکم. J. Reg. علمی ۱۹۹۸ ، ۳۸ ، ۴۰۱-۴۲۴٫ [ Google Scholar ] [ CrossRef ]
  42. رول، سی. Hogan، K. مشکل مکان حداکثر در دسترس بودن. ترانسپ علمی ۱۹۸۹ ، ۲۳ ، ۱۹۲-۲۰۰٫ [ Google Scholar ] [ CrossRef ]
  43. آیتوگ، اچ. Saydam, C. حل مشکلات مکان پوشش حداکثر مورد انتظار در مقیاس بزرگ توسط الگوریتم های ژنتیک: یک مطالعه مقایسه ای. یورو جی. اوپر. Res. ۲۰۰۲ ، ۱۴۱ ، ۴۸۰-۴۹۴٫ [ Google Scholar ] [ CrossRef ]
  44. داسکین، م. هوگان، ک. Revelle، C. ادغام مدل های پوششی چندگانه، اضافی، پشتیبان و مورد انتظار. محیط زیست طرح. B طرح. دس ۱۹۸۸ ، ۱۵ ، ۱۵-۳۵٫ [ Google Scholar ] [ CrossRef ]
  45. سیدام، سی. راجاگوپالان، هنگ کنگ؛ شرر، ای. Lawrimore-Belanger، K. مدل مکان پوشش مجدد استقرار پویا. سیستم سلامت ۲۰۱۳ ، ۲ ، ۱۰۳-۱۱۹٫ [ Google Scholar ] [ CrossRef ]
  46. سورنسن، پی. Church, R. یکپارچه سازی پوشش مورد انتظار و قابلیت اطمینان محلی برای مشکلات مکان یابی خدمات پزشکی اورژانس. اجتماعی-اقتصادی طرح. علمی ۲۰۱۰ ، ۴۴ ، ۸-۱۸٫ [ Google Scholar ] [ CrossRef ]
  47. ارکوت، ای. اینگولفسون، آ. سیم، تی. Erdoğan, G. مقایسه محاسباتی پنج مدل پوشش حداکثر برای مکان یابی آمبولانس ها. Geogr. مقعدی ۲۰۰۹ ، ۴۱ ، ۴۳-۶۵٫ [ Google Scholar ] [ CrossRef ]
  48. لایتنر، سی. گراهام، جی.ام. لایتنر، کالیفرنیا یک رویکرد اکتشافی برای مکان یابی امکانات EMS و خودرو. در مجموعه مقالات PDPTA، لاس وگاس، NV، ایالات متحده آمریکا، ۲۶-۲۹ ژوئن ۲۰۰۶٫ صص ۳۳۴-۳۳۹٫ [ Google Scholar ]
  49. ارکوت، ای. اینگولفسون، آ. اردوغان، جی. محل آمبولانس برای حداکثر بقا. Nav Res. تدارکات. (NRL) ۲۰۰۸ ، ۵۵ ، ۴۲-۵۸٫ [ Google Scholar ] [ CrossRef ]
  50. کلیسا، RL; رابرتز، KL مدل های پوشش تعمیم یافته و مکان تاسیسات عمومی. پاپ Reg. علمی ۱۹۸۳ ، ۵۳ ، ۱۱۷-۱۳۵٫ [ Google Scholar ] [ CrossRef ]
  51. شیلینگ، دی. الزینگا، جی. کوهون، جی. کلیسا، آر. Revelle, C. مدل‌های تیم/ناوگان برای مکان‌یابی همزمان تأسیسات و تجهیزات. ترانسپ علمی ۱۹۷۹ ، ۱۳ ، ۱۶۳-۱۷۵٫ [ Google Scholar ] [ CrossRef ]
  52. موری، AT جغرافیا در مدل‌سازی پوشش: بهره‌برداری از ساختار فضایی برای آدرس‌دهی خدمات جزئی تکمیلی مناطق. ان دانشیار صبح. Geogr. ۲۰۰۵ ، ۹۵ ، ۷۶۱-۷۷۲٫ [ Google Scholar ] [ CrossRef ]
  53. درزنر، تی. درزنر، ز. گلدشتاین، Z. یک مسئله مکان یابی پوشش تدریجی تصادفی. Nav Res. تدارکات. ۲۰۱۰ ، ۵۷ ، ۳۶۷-۳۷۲٫ [ Google Scholar ] [ CrossRef ]
  54. برمن، او. درزنر، ز. کراس، دی. Wesolowsky، GO مسئله پوشش شعاع متغیر. یورو جی. اوپر. Res. ۲۰۰۹ ، ۱۹۶ ، ۵۱۶-۵۲۵٫ [ Google Scholar ] [ CrossRef ]
  55. برمن، او. کراس، دی. Drezner, Z. مشکل مکان پوسیدگی پوشش تدریجی در یک شبکه. یورو جی. اوپر. Res. ۲۰۰۳ ، ۱۵۱ ، ۴۷۴-۴۸۰٫ [ Google Scholar ] [ CrossRef ]
  56. پکر، ام. Kara، BY مشکل پوشش حداکثری P-Hub و پسوندها برای توابع فروپاشی تدریجی. امگا ۲۰۱۵ ، ۵۴ ، ۱۵۸-۱۷۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  57. رسترپو، م. هندرسون، اس. Topaloglu، H. Erlang مدل های از دست دادن برای استقرار استاتیک آمبولانس ها. مدیریت مراقبت های بهداشتی. علمی ۲۰۰۹ ، ۱۲ ، ۶۷-۷۹٫ [ Google Scholar ] [ CrossRef ]
  58. داوری، س. زرندی، MHF; همتی، الف. مشکل مکان پوشش حداکثر (MCLP) با زمان سفر فازی. سیستم خبره Appl. ۲۰۱۱ ، ۳۸ ، ۱۴۵۳۵-۱۴۵۴۱٫ [ Google Scholar ] [ CrossRef ]
  59. یین، پی. Mu, L. مشکل مکان پوشش حداکثر ظرفیت ماژولار برای مکان یابی بهینه وسایل نقلیه اضطراری. Appl. Geogr. ۲۰۱۲ ، ۳۴ ، ۲۴۷-۲۵۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  60. جندرو، م. لاپورت، جی. Semet، F. حداکثر مشکل جابجایی پوشش مورد انتظار برای وسایل نقلیه اضطراری. جی. اوپر. Res. Soc. ۲۰۰۶ ، ۵۷ ، ۲۲-۲۸٫ [ Google Scholar ] [ CrossRef ]
  61. براتکورن، ال. لاپورت، جی. Semet، F. مدل های مکان و جابجایی آمبولانس. یورو جی. اوپر. Res. ۲۰۰۳ ، ۱۴۷ ، ۴۵۱-۴۶۳٫ [ Google Scholar ] [ CrossRef ]
  62. وو، سی.-اچ. هوانگ، KP با استفاده از یک شبیه‌سازی رویداد گسسته برای تعادل در دسترس بودن و تقاضای آمبولانس در سیستم‌های استقرار استاتیک. آکادمی ظهور. پزشکی ۲۰۰۹ ، ۱۶ ، ۱۳۵۹-۱۳۶۶٫ [ Google Scholar ] [ CrossRef ]
  63. ماکسول، ام اس؛ رسترپو، م. هندرسون، اس. Topaloglu، H. برنامه ریزی پویا تقریبی برای جابجایی آمبولانس. INFORMS J. Comput. ۲۰۱۰ ، ۲۲ ، ۲۶۶-۲۸۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  64. جندرو، م. لاپورت، جی. Semet، F. یک مدل پویا و اکتشافی جستجوی موازی تابو برای جابجایی آمبولانس در زمان واقعی. محاسبات موازی ۲۰۰۱ ، ۲۷ ، ۱۶۴۱-۱۶۵۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  65. جاگتنبرگ، سی. بولای، س. van der Mei, R. یک اکتشافی کارآمد برای استقرار مجدد آمبولانس در زمان واقعی. اپراتور Res. مراقبت های بهداشتی ۲۰۱۵ ، ۴ ، ۲۷-۳۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  66. آلانیس، ر. اینگولفسون، آ. Kolfal، B. یک مدل زنجیره مارکوف برای یک سیستم EMS با تغییر موقعیت. تولید اپراتور مدیریت ۲۰۱۳ ، ۲۲ ، ۲۱۶-۲۳۱٫ [ Google Scholar ] [ CrossRef ]
  67. سودتاچات، ک. مایورگا، من؛ مکلی، لس آنجلس یک خط‌مشی جدول انطباق تودرتو برای سیستم‌های خدمات پزشکی اضطراری تحت جابجایی. امگا ۲۰۱۶ ، ۵۸ ، ۱۵۴-۱۶۸٫ [ Google Scholar ] [ CrossRef ]
  68. ون بارنولد، تی. ون در می، آر. Bhulai, S. جداول سازگاری برای یک سیستم EMS با دو نوع واحد پاسخ پزشکی. محاسبه کنید. اپراتور Res. ۲۰۱۷ ، ۸۰ ، ۶۸-۸۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  69. لیم، CS; مامت، ر. براونل، تی. تأثیر سیاست های اعزام آمبولانس بر عملکرد خدمات فوریت های پزشکی. IEEE Trans. هوشمند ترانسپ سیستم ۲۰۱۱ ، ۱۲ ، ۶۲۴-۶۳۲٫ [ Google Scholar ] [ CrossRef ]
  70. سودتاچات، ک. مایورگا، من؛ توصیه‌های McLay، LA برای اعزام وسایل نقلیه اضطراری تحت واکنش چند لایه از طریق شبیه‌سازی. بین المللی ترانس. اپراتور Res. ۲۰۱۴ ، ۲۱ ، ۵۸۱-۶۱۷٫ [ Google Scholar ] [ CrossRef ]
  71. نیر، ر. میلر هوکس، E. ارزیابی استراتژی های جابجایی برای وسایل نقلیه خدمات پزشکی اورژانس. ترانسپ Res. ضبط J. Transp. Res. هیئت ۲۰۰۹ ، ۲۱۳۷ ، ۶۳-۷۳٫ [ Google Scholar ] [ CrossRef ]
  72. بلانگر، وی. کرگوسین، ی. رویز، ا. سوریانو، P. مقایسه تجربی استراتژی‌های جابجایی در مدیریت ناوگان آمبولانس در زمان واقعی. محاسبه کنید. مهندسی صنعتی ۲۰۱۶ ، ۹۴ ، ۲۱۶-۲۲۹٫ [ Google Scholar ] [ CrossRef ]
  73. ون بارنولد، TC; بولای، س. Van Der Mei، RD یک مدل مدیریت آمبولانس پویا برای مناطق روستایی: محاسبه اقدامات باز استقرار برای اقدامات مربوط به عملکرد. مدیریت مراقبت های بهداشتی. علمی ۲۰۱۵ ، ۲۰ ، ۱۶۵-۱۸۶٫ [ Google Scholar ] [ CrossRef ]
  74. ماکسول، ام اس؛ Ni، EC; تانگ، سی. هندرسون، اس جی. توپال اوغلو، اچ. هانتر، SR محدودیتی برای عملکرد یک سیاست بهینه استقرار آمبولانس. اپراتور Res. ۲۰۱۴ ، ۶۲ ، ۱۰۱۴-۱۰۲۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  75. ون بارنولد، تی. مسئله جابجایی حداقل مجازات مورد انتظار برای محاسبه جداول انطباق برای وسایل نقلیه آمبولانس. INFORMS J. Comput. ۲۰۱۶ ، ۲۸ ، ۳۷۰-۳۸۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  76. Jagtenberg، CJ; بولای، س. Van Der Mei، RD Dynamic ammbulance dispatching: آیا نزدیکترین خط مشی بیکاری همیشه بهینه است؟ مدیریت مراقبت های بهداشتی. علمی ۲۰۱۶ ، ۲۰ ، ۵۱۷-۵۳۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  77. ون بارنولد، تی. بولای، س. ون در می، آر. تأثیر جابجایی آمبولانس بر عملکرد ارائه دهندگان خدمات آمبولانس. یورو جی. اوپر. Res. ۲۰۱۶ ، ۲۵۲ ، ۲۵۷-۲۶۹٫ [ Google Scholar ] [ CrossRef ]
  78. دگل، دی. ویشه، ال. راچوبا، اس. Werners, B. تخصیص آمبولانس وابسته به زمان با در نظر گرفتن پوشش تجربی مورد نیاز مبتنی بر داده. مدیریت مراقبت های بهداشتی. علمی ۲۰۱۴ ، ۱۸ ، ۴۴۴-۴۵۸٫ [ Google Scholar ] [ CrossRef ]
  79. آندراد، LACG؛ Cunha، CB یک اکتشافی ABC برای بهینه‌سازی موقعیت ایستگاه آمبولانس متحرک و تغییر موقعیت خودرو برای شهر سائوپائولو. بین المللی ترانس. اپراتور Res. ۲۰۱۵ ، ۲۲ ، ۴۷۳-۵۰۱٫ [ Google Scholar ] [ CrossRef ]
  80. لام، SSW; ژانگ، جی. ژانگ، ZC؛ اوه، اچ سی. اورتون، جی. Ng، YY; Ong، تخصیص مجدد آمبولانس پویا MEH برای کاهش زمان پاسخ آمبولانس با استفاده از مدیریت وضعیت سیستم. صبح. J. Emerg. پزشکی ۲۰۱۵ ، ۳۳ ، ۱۵۹-۱۶۶٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  81. برگ، PLVD; Aardal، K. MEXCLP وابسته به زمان با هزینه راه اندازی و جابجایی. یورو جی. اوپر. Res. ۲۰۱۵ ، ۲۴۲ ، ۳۸۳-۳۸۹٫ [ Google Scholar ] [ CrossRef ]
  82. مک کورمک، آر. کوتس، جی. یک مدل شبیه سازی برای فعال کردن بهینه سازی تخصیص ناوگان آمبولانس و مکان ایستگاه پایه برای افزایش بقای بیمار. یورو جی. اوپر. Res. ۲۰۱۵ ، ۲۴۷ ، ۲۹۴-۳۰۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  83. عنایتی، س. مایورگا، من؛ راجاگوپالان، اچ. Saydam, C. رویکرد باز استقرار آمبولانس در زمان واقعی برای بهبود پوشش خدمات با حجم کاری منصفانه و محدود برای ارائه دهندگان EMS. امگا ۲۰۱۸ ، ۷۹ ، ۶۷-۸۰٫ [ Google Scholar ] [ CrossRef ]
  84. یون، اس. سیاست های اعزام دینامیک آلبرت، لس آنجلس برای واکنش اضطراری با انواع مختلف وسایل نقلیه. ترانسپ Res. بخش E Logist. ترانسپ Rev. ۲۰۲۱ , ۱۵۲ , ۱۰۲۴۰۵٫ [ Google Scholar ] [ CrossRef ]
  85. اندرسون، اچ. گرانبرگ، TA; کریستینسن، ام. آرتون، ES؛ Leknes، H. استفاده از بهینه‌سازی برای ارائه پشتیبانی تصمیم برای برنامه‌ریزی خدمات اورژانس پزشکی استراتژیک – سه مطالعه موردی. بین المللی جی. مد. آگاه کردن. ۲۰۲۰ , ۱۳۳ , ۱۰۳۹۷۵٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  86. بوژما، آر. جبلی، ع. حمامی، س. رویز، A. مدل های برنامه ریزی تصادفی چند دوره ای برای سیستم خدمات پزشکی اورژانس دو لایه. محاسبه کنید. اپراتور Res. ۲۰۲۰ , ۱۲۳ , ۱۰۴۹۷۴٫ [ Google Scholar ] [ CrossRef ]
  87. تسای، ی. چانگ، K.-W. ییانگ، جی.-تی. لین، اچ.-جی. پیش بینی تقاضا و تخصیص آمبولانس چند هدفه. بین المللی ج. تشخیص الگو. آرتیف. هوشمند ۲۰۱۸ ، ۳۲ ، ۱۸۵۹۰۱۱٫ [ Google Scholar ] [ CrossRef ]
  88. پنگ، سی. دلاژ، ای. لی، جی. مدل مکان یابی و طرح تجزیه خدمات پزشکی اورژانس تصادفی با پوشش احتمالی چند دوره ای محدود. ترانسپ علمی ۲۰۲۰ ، ۵۴ ، ۱۴۷۱-۱۴۹۴٫ [ Google Scholar ] [ CrossRef ]
  89. کاروالیو، آ. Captivo، ME; Marques, I. ادغام مشکلات اعزام و جابجایی آمبولانس برای به حداکثر رساندن آمادگی سیستم. یورو جی. اوپر. Res. ۲۰۲۰ ، ۲۸۳ ، ۱۰۶۴-۱۰۸۰٫ [ Google Scholar ] [ CrossRef ]
  90. بلانگر، وی. لانزارون، ای. نیکولتا، وی. رویز، ا. سوریانو، P. یک چارچوب شبیه سازی-بهینه سازی بازگشتی برای مکان آمبولانس و مشکل اعزام. یورو جی. اوپر. Res. ۲۰۲۰ ، ۲۸۶ ، ۷۱۳-۷۲۵٫ [ Google Scholar ] [ CrossRef ]
  91. عنایتی، س. مایورگا، من؛ تورو دیاز، اچ. آلبرت، لس آنجلس شناسایی معاوضه در برابری و کارایی برای بهینه‌سازی همزمان مکان و اعزام چند اولویت آمبولانس‌ها. بین المللی ترانس. اپراتور Res. ۲۰۱۸ ، ۲۶ ، ۴۱۵-۴۳۸٫ [ Google Scholar ] [ CrossRef ]
  92. لی، اس. نقش آمادگی در اعزام آمبولانس. جی. اوپر. Res. Soc. ۲۰۱۱ ، ۶۲ ، ۱۸۸۸-۱۸۹۷٫ [ Google Scholar ] [ CrossRef ]
  93. ون بارنولد، تی. جاگتنبرگ، سی. بولای، س. ون در می، آر. جابجایی آمبولانس در زمان واقعی: ارزیابی استراتژی های جابجایی مجدد در زمان واقعی برای جابجایی آمبولانس. اجتماعی-اقتصادی طرح. علمی ۲۰۱۸ ، ۶۲ ، ۱۲۹-۱۴۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  94. پیروی، م. خداکریم، س. اورتنوال، پی. خرم-منش، الف. آیا مکان موقت آمبولانس ها («استقرار مایعات») بر زمان پاسخگویی و نتیجه بیمار تأثیر می گذارد؟ بین المللی J. Emerg. پزشکی ۲۰۱۵ ، ۸ ، ۳۷٫ [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
  95. دولیش، م. پرچارد، جی. Javorčák، A. ایجاد یک طرح پوشش فضایی برای خدمات فوریت های پزشکی در مقیاس منطقه ای: رویکرد مدل سازی جنگل تجربی در مقابل تصادفی. J. Transp. Geogr. ۲۰۲۰ , ۸۹ , ۱۰۲۸۸۹٫ [ Google Scholar ] [ CrossRef ]
  96. جی، اس. ژنگ، ی. وانگ، دبلیو. لی، تی. استقرار مجدد آمبولانس در زمان واقعی: یک رویکرد داده محور. IEEE Trans. بدانید. مهندسی داده ۲۰۱۹ ، ۳۲ ، ۲۲۱۳–۲۲۲۶٫ [ Google Scholar ] [ CrossRef ]
  97. Boutilier, JJ; چان، بهینه‌سازی واکنش اضطراری آمبولانس TCY در کشورهای در حال توسعه. اپراتور Res. ۲۰۲۰ ، ۶۸ ، ۱۳۱۵-۱۳۳۴٫ [ Google Scholar ] [ CrossRef ]
  98. Roa، JCP; اسکوبار، جی دبلیو. Moreno, CAM یک الگوریتم ریاضی بی‌درنگ آنلاین برای اعزام و جابجایی آمبولانس‌ها. بین المللی J. Ind. Eng. محاسبه کنید. ۲۰۲۰ ، ۱۱ ، ۴۴۳-۴۶۸٫ [ Google Scholar ] [ CrossRef ]
  99. Sun, C.-H.; چنگ، سی.-ای. وانگ، سی.-اچ. Hsiao، P.-H. مدل ایستگاه های شناور پویا برای خدمات فوریت های پزشکی با در نظر گرفتن داده های ترافیک. ISPRS Int. J. Geo-Inf. ۲۰۲۰ ، ۹ ، ۳۳۶٫ [ Google Scholar ] [ CrossRef ]
  100. یوانگیای، سی. نیلسانگ، س. چنگ، سی.-ای. استراتژی تخصیص پایگاه آمبولانس قوی با رسانه های اجتماعی و اطلاعات تراکم ترافیک. J. محیط. هوشمند اومانیز. محاسبه کنید. ۲۰۲۰ ، ۱-۱۴٫ [ Google Scholar ] [ CrossRef ]
  101. محری، س.س. اکبرزاده، م. متین، SHS مدل هیبریدی برای مکان یابی امکانات اضطراری جدید برای بهبود پوشش تصادفات جاده ای. اجتماعی-اقتصادی طرح. علمی ۲۰۱۹ ، ۶۹ ، ۱۰۰۶۸۳٫ [ Google Scholar ] [ CrossRef ]
  102. آبنسور، EO; Paes، ADS; یامادا، ERK؛ روگیری، وی. de Aquino، WA مشکل مکان تسهیلات تصادفی در یک موقعیت رقابتی: یک مدل تئوری بازی برای خدمات مالی اضطراری. Cogent Eng. ۲۰۲۰ ، ۷ ، ۱۸۳۷۴۱۱٫ [ Google Scholar ] [ CrossRef ]
  103. عظیم، م. جیانوو، دی. یانگ پینگ، دبلیو. عزیز، ت. Fengwen، Z. تجزیه و تحلیل RTA و مدل سازی موجود برای خدمات فوریت های پزشکی. ته Vjesn.-Tech. گز. ۲۰۲۰ ، ۲۷ ، ۲۵۱-۲۶۱٫ [ Google Scholar ] [ CrossRef ]
  104. پارک، SH; ارسال و استقرار مجدد آمبولانس دو طبقه لی، YH با در نظر گرفتن خطاهای طبقه بندی شدت بیمار. J. Health Eng. ۲۰۱۹ ، ۲۰۱۹ ، ۶۰۳۱۷۸۹٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  105. برتسیماس، دی. Ng، Y. فرمولاسیون های قوی و تصادفی برای استقرار و اعزام آمبولانس. یورو جی. اوپر. Res. ۲۰۱۹ ، ۲۷۹ ، ۵۵۷–۵۷۱٫ [ Google Scholar ] [ CrossRef ]
  106. نیلسانگ، س. یوانگیای، سی. چنگ، سی.-ای. Janjarassuk، U. تعیین پایگاه آمبولانس با استفاده از رسانه های اجتماعی: مطالعه موردی در بانکوک. ان اپراتور Res. ۲۰۱۹ ، ۲۸۳ ، ۴۹۷-۵۱۶٫ [ Google Scholar ] [ CrossRef ]
  107. یانوشیکوا، Ľ; کوت، م. یانکوویچ، پ. Gábrišová، L. یک رویکرد بهینه سازی و شبیه سازی برای جابجایی ایستگاه های اضطراری. سنت. یورو جی. اوپر. Res. ۲۰۱۹ ، ۲۷ ، ۷۳۷–۷۵۸٫ [ Google Scholar ] [ CrossRef ]
  108. گرکوسیس، جی. لیو، ی. رویداد اضطراری بعدی کجا رخ خواهد داد؟ پیش بینی تقاضای آمبولانس در خدمات فوریت های پزشکی با استفاده از هوش مصنوعی محاسبه کنید. محیط زیست سیستم شهری ۲۰۱۹ ، ۷۶ ، ۱۱۰-۱۲۲٫ [ Google Scholar ] [ CrossRef ]
  109. ال ایتانی، بی. بن عبدالعزیز، ف. مصری، ح. مشکل محل پوشش دوهدفه: موردی از محل آمبولانس در منطقه بیروت، لبنان. مدیریت تصمیم می گیرد. ۲۰۱۹ ، ۵۷ ، ۴۳۲-۴۴۴٫ [ Google Scholar ] [ CrossRef ]
  110. فیروز، س. رفیعی، م. زنوز زاده، اس ام یک مدل بهینه سازی برای مکان یابی و جابجایی خودروهای اضطراری با در نظر گرفتن زمان در دسترس نبودن. علمی ایران. ۲۰۱۷ ، ۲۵ ، ۳۶۸۵–۳۶۹۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  111. ون بورن، ام. ون در می، آر. Bhulai، S. نقطه تقاضا مشکلات تخصیص وسیله نقلیه EMS را برای مناطق دارای مناطق شهری و روستایی محدود کرد. اپراتور Res. مراقبت های بهداشتی ۲۰۱۸ ، ۱۸ ، ۶۵-۸۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  112. عنایتی، س. Özaltın، OY; مایورگا، من؛ Saydam, C. استقرار مجدد آمبولانس و اعزام در شرایط نامشخص با محدودیت حجم کار پرسنل. IISE Trans. ۲۰۱۸ ، ۵۰ ، ۷۷۷-۷۸۸٫ [ Google Scholar ] [ CrossRef ]
  113. کوئیلو، او. الکساندرینو، اف. Barreto، B. SAMU موقعیت یابی آمبولانس با استفاده از مدل MALP. براز جی. اوپر. تولید مدیریت ۲۰۱۷ ، ۱۴ ، ۵۰۸٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  114. لام، SSW; Ng، CBL؛ نگوین، FNHL؛ Ng، YY; چارچوب پشتیبانی تصمیم مبتنی بر شبیه سازی MEH برای استقرار مجدد آمبولانس پویا در سنگاپور.بین المللی جی. مد. آگاه کردن. ۲۰۱۷ ، ۱۰۶ ، ۳۷-۴۷٫ [ Google Scholar ] [ CrossRef ]
  115. Calderín، JF; Masegosa، AD; Pelta، DA نمونه کارها الگوریتم برای مشکل مکان پوشش حداکثر پویا.Memetic Comput. ۲۰۱۶ ، ۹ ، ۱۴۱-۱۵۱٫ [ Google Scholar ] [ CrossRef ]
  116. انصاری، س. مک‌لی، لس آنجلس؛ Mayorga، ME یک مشکل پوششی حداکثر مورد انتظار برای طراحی منطقه. ترانسپ علمی ۲۰۱۷ ، ۵۱ ، ۳۷۶-۳۹۰٫ [ Google Scholar ] [ CrossRef ]
  117. درزنر، ز. ماریانوف، وی. Wesolowsky، GO به حداکثر رساندن حداقل احتمال پوشش توسط امکانات اضطراری. ان اپراتور Res. ۲۰۱۴ ، ۲۴۶ ، ۳۴۹-۳۶۲٫ [ Google Scholar ] [ CrossRef ]
  118. معینی، م. جمایی، ز. شاهین، ای. مشکلات مکان یابی و جابجایی در زمینه سیستم های خدمات فوریت های پزشکی: مطالعه موردی. سنت. یورو جی. اوپر. Res. ۲۰۱۴ ، ۲۳ ، ۶۴۱-۶۵۸٫ [ Google Scholar ] [ CrossRef ]
  119. اندرسون، تی. Väbrand, P. ابزارهای پشتیبانی تصمیم برای اعزام و جابجایی آمبولانس. جی. اوپر. Res. Soc. ۲۰۰۷ ، ۵۸ ، ۱۹۵-۲۰۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  120. مایورگا، من؛ بندرا، دی. مک‌لی، لس‌آنجلس سیاست‌های منطقه‌ای و اعزام به سیستم‌های خدمات پزشکی اورژانسی برای بهبود بقای بیمار. IIE Trans. بهداشت و درمان سیستم مهندس ۲۰۱۳ ، ۳ ، ۳۹-۵۶٫ [ Google Scholar ] [ CrossRef ]
  121. ژن، ال. شنگ، س. زی، ز. وانگ، ک. قوانین تصمیم گیری برای سیستم های پشتیبانی تصمیم گیری برنامه ریزی آمبولانس. Appl. محاسبات نرم. ۲۰۱۴ ، ۲۶ ، ۳۵۰-۳۵۶٫ [ Google Scholar ] [ CrossRef ]
  122. میسون، شبیه سازی AJ و جابجایی بهینه شده در زمان واقعی برای بهبود عملیات آمبولانس. در کتابچه راهنمای مدیریت عملیات بهداشت و درمان ; Springer LLC: نیویورک، نیویورک، ایالات متحده آمریکا، ۲۰۱۳; جلد ۱۸۴، ص ۲۸۹–۳۱۷٫ [ Google Scholar ]
  123. لیو، ی. یوان، ی. لی، Y.-H. Pang, H. یک مدل برنامه ریزی محدود شانس برای مشکل جابجایی وسایل نقلیه اضطراری قابل اعتماد. Procedia-Soc. رفتار علمی ۲۰۱۳ ، ۹۶ ، ۶۷۱-۶۸۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  124. چانتا، اس. مایورگا، من؛ مک‌لی، لس آنجلس مشکل مکان حداقل p-revy با شرط حداقل میزان بقا. محاسبه کنید. مهندسی صنعتی ۲۰۱۴ ، ۷۴ ، ۲۲۸-۲۳۹٫ [ Google Scholar ] [ CrossRef ]
  125. یانوسیکوا، ال. یانکوویچ، پ. مارتون، پ. مدل‌هایی برای جابجایی ایستگاه‌های فوریت‌های پزشکی. که در ظهور داده های بزرگ فضایی ; Springer: Cham, Switzerland, 2017; ص ۲۲۵-۲۳۹٫ [ Google Scholar ] [ CrossRef ]
  126. توپ، MO; Lin, FL یک مدل قابلیت اطمینان اعمال شده در مکان خودروی خدمات اضطراری. اپراتور Res. ۱۹۹۳ ، ۴۱ ، ۱۸-۳۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  127. ماکسول، ام اس؛ هندرسون، اس جی. Topaloglu، H. تنظیم سیاست های برنامه نویسی پویا تقریبی برای استقرار مجدد آمبولانس از طریق جستجوی مستقیم. استوک. سیستم ۲۰۱۳ ، ۳ ، ۳۲۲-۳۶۱٫ [ Google Scholar ] [ CrossRef ]
  128. نایت، وی. هارپر، پی. اسمیت، ال. تخصیص آمبولانس برای حداکثر بقا با معیارهای پیامد ناهمگن. امگا ۲۰۱۲ ، ۴۰ ، ۹۱۸-۹۲۶٫ [ Google Scholar ] [ CrossRef ]
  129. شریعت مهیمانی، ع. بابایی، م. معادی، س. امیری پور، مدل های پوشش عدم دسترسی کران بالا خطی برای مکان یابی آمبولانس ها: کاربرد در راه های روستایی تهران. یورو جی. اوپر. Res. ۲۰۱۲ ، ۲۲۱ ، ۲۶۳-۲۷۲٫ [ Google Scholar ] [ CrossRef ]
  130. ملکی، م. مجلسی نسب، ن. سپهری، م.م دو مدل جدید برای جابجایی آمبولانس. محاسبه کنید. مهندسی صنعتی ۲۰۱۴ ، ۷۸ ، ۲۷۱-۲۸۴٫ [ Google Scholar ] [ CrossRef ]
  131. نائوم ساوایا، ج. Elhedhli، S. یک مدل بهینه سازی تصادفی برای استقرار مجدد آمبولانس در زمان واقعی. محاسبه کنید. اپراتور Res. ۲۰۱۳ ، ۴۰ ، ۱۹۷۲-۱۹۷۸٫ [ Google Scholar ] [ CrossRef ]
  132. تورو دیاز، اچ. مایورگا، من؛ چانتا، اس. مک‌لی، لس‌آنجلس محل مشترک و تصمیمات اعزام به خدمات فوریت‌های پزشکی. محاسبه کنید. مهندسی صنعتی ۲۰۱۳ ، ۶۴ ، ۹۱۷-۹۲۸٫ [ Google Scholar ] [ CrossRef ]
  133. بیلهارت، اچ. لوژاک، م. سانچز-برونته، وی. فرناندز، آ. Ossowski، S. هماهنگی پویا آمبولانس ها برای خدمات کمک های پزشکی اورژانس. سیستم مبتنی بر دانش ۲۰۱۴ ، ۷۰ ، ۲۶۸-۲۸۰٫ [ Google Scholar ] [ CrossRef ]
  134. Bertsekas, DP الگوریتم حراج: یک روش آرامش توزیع شده برای مسئله انتساب. ان اپراتور Res. ۱۹۸۸ ، ۱۴ ، ۱۰۵-۱۲۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  135. نیکل، اس. رویتر-اپرمن، ام. Saldanha-Da-Gama، F. مکان آمبولانس تحت تقاضای تصادفی: یک رویکرد نمونه گیری. اپراتور Res. مراقبت های بهداشتی ۲۰۱۶ ، ۸ ، ۲۴-۳۲٫ [ Google Scholar ] [ CrossRef ]
  136. جارویس، JP تقریب رفتار تعادلی سیستم های از دست دادن چند سرور. مدیریت علمی ۱۹۸۵ ، ۳۱ ، ۲۳۵-۲۳۹٫ [ Google Scholar ] [ CrossRef ]
  137. ویل، جی. گیلارد، جی. هارپر، پی. نایت، وی. روش‌های تصادفی وابسته به زمان برای مدیریت و برنامه‌ریزی خدمات فوریت‌های پزشکی. اپراتور Res. مراقبت های بهداشتی ۲۰۱۶ ، ۸ ، ۴۲-۵۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  138. جین، آر. شیا، تی. لیو، ایکس. موراتا، تی. کیم، K.-S. پیش بینی تقاضای خدمات فوریت های پزشکی با شبکه های کانولوشن گراف دو طرفه. دسترسی IEEE ۲۰۲۱ ، ۹ ، ۹۹۰۳–۹۹۱۵٫ [ Google Scholar ] [ CrossRef ]
  139. یو، جی. لیو، ا. Sun، H. سیاست انعطاف پذیر ریسک گریز در مورد تخصیص آمبولانس در عملیات های بشردوستانه در شرایط عدم اطمینان. بین المللی J. Prod. Res. ۲۰۲۱ ، ۵۹ ، ۲۵۸۸-۲۶۱۰٫ [ Google Scholar ] [ CrossRef ]
  140. سودتاچات، ک. مایورگا، من؛ چانتا، اس. جابجایی و ناحیه بندی مشترک آلبرت، لس آنجلس با استفاده از یک مدل انطباق تودرتو برای سیستم های EMS. محاسبه کنید. مهندسی صنعتی ۲۰۲۰ , ۱۴۲ , ۱۰۶۳۲۷٫ [ Google Scholar ] [ CrossRef ]
  141. یانگ، دبلیو. سو، کیو. ژو، ام. Qin، X. تخصیص آمبولانس با در نظر گرفتن تصادفی فضایی تقاضا. محاسبه کنید. مهندسی صنعتی ۲۰۲۰ , ۱۳۹ , ۱۰۶۲۰۲٫ [ Google Scholar ] [ CrossRef ]
  142. اولاو-روخاس، دی. نیکل، اس. مدل‌سازی خدمات فوریت‌های پزشکی پیش بیمارستانی با استفاده از شبیه‌سازی ترکیبی و رویکرد یادگیری ماشین. شبیه سازی مدل. تمرین کنید. نظریه ۲۰۲۱ ، ۱۰۹ ، ۱۰۲۳۰۲٫ [ Google Scholar ] [ CrossRef ]
  143. سوگیشیتا، ی. سوگاوارا، تی. اوکوسا، ی. ایشیکاوا، تی. یوشیدا، م. اندو، H. نظارت سندرمی با استفاده از داده های انتقال آمبولانس در توکیو، ژاپن. ج. عفونی کردن. شیمادر. ۲۰۲۰ ، ۲۶ ، ۸-۱۲٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  144. تودکیل، دی. لاوریج، پی. الیوت، ای جی؛ موربی، RA; ادگره، او. ریمنت بیشاپ، تی. ریمنت-بیشاپ، سی. تورنز، جی. اسمیت، جی. سودمندی داده های آمبولانس برای نظارت بر سندرم زمان واقعی: یک خلبان در منطقه میدلند غربی، بریتانیا. Prehosp. فاجعه پزشکی. ۲۰۱۷ ، ۳۲ ، ۶۶۷-۶۷۲٫ [ Google Scholar ] [ CrossRef ]
  145. یو، ی. مارلا، ال. کریشنان، آر. هاینز، HJ یک رویکرد مبتنی بر شبیه‌سازی کارآمد برای تخصیص ناوگان آمبولانس و استقرار مجدد پویا. در مجموعه مقالات کنفرانس AAAI در مورد هوش مصنوعی، تورنتو، ON، کانادا، ۲۲ تا ۲۶ ژوئیه ۲۰۱۲٫ جلد ۲۶٫ [ Google Scholar ]
  146. مجذوبی، ف. بای، ال. هراگو، SS یک رویکرد بهینه سازی برای اعزام و جابجایی وسایل نقلیه EMS. IIE Trans. بهداشت و درمان سیستم مهندس ۲۰۱۲ ، ۲ ، ۲۱۱-۲۲۳٫ [ Google Scholar ] [ CrossRef ]
  147. آکینجیلار، ا. آکینجیلار، ای. Knoflacher، H.; Ocalir-Akunal، EV یک موضوع خاص در مورد پایداری برنامه ریزی حمل و نقل در یک منطقه شهری: مشکل مکان آمبولانس. در ابزارهای مهندسی و راهکارهای برنامه ریزی حمل و نقل پایدار ; IGI Global: Hershey, PA, USA, 2017; صص ۳۰۳-۳۱۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  148. اشنیبرگر، ک. دورنر، ک. کورز، آ. شیلد، ام. مکان آمبولانس و مدل های جابجایی در یک بحران. سنت. یورو جی. اوپر. Res. ۲۰۱۴ ، ۲۴ ، ۱-۲۷٫ [ Google Scholar ] [ CrossRef ]
  149. برگ، PLVD; فیسکرستراند، پی. آردال، ک. Einerkjær، J. تورسن، تی. Røislien، J. بهبود پوشش آمبولانس در یک منطقه مختلط شهری و روستایی در نروژ با استفاده از مدل‌سازی ریاضی. PLoS ONE ۲۰۱۹ , ۱۴ , e0215385. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  150. توزان، ح. دونمز، اس. یک رویکرد مبتنی بر الگوریتم ژنتیک برای ارائه راه‌حل‌هایی برای مشکل مکان ایستگاه‌های کمک اضطراری و یک مطالعه موردی برای Pendik/İstanbul. جی. هومل. امن ظهور. مدیریت ۲۰۱۵ ، ۱۲ ، ۹۱۵-۹۴۰٫ [ Google Scholar ] [ CrossRef ]
  151. آرینگیری، ر. برونی، م. خداپرستی، س. ون اسن، تی. خدمات پزشکی اورژانس و فراتر از آن: پرداختن به چالش های جدید از طریق مرور ادبیات گسترده. محاسبه کنید. اپراتور Res. ۲۰۱۷ ، ۷۸ ، ۳۴۹-۳۶۸٫ [ Google Scholar ] [ CrossRef ]
  152. لی، ایکس. ژائو، ز. زو، ایکس. وایات، تی. مدل‌های پوشش و تکنیک‌های بهینه‌سازی برای مکان‌یابی و برنامه‌ریزی تسهیلات واکنش اضطراری: یک بررسی. ریاضی. روش ها. Res. (ZOR) ۲۰۱۱ ، ۷۴ ، ۲۸۱-۳۱۰٫ [ Google Scholar ] [ CrossRef ]
  153. جاگتنبرگ، سی. برگ، PVD; van der Mei, R. الگوریتم‌های ارسال آنلاین معیار برای خدمات فوریت‌های پزشکی. یورو جی. اوپر. Res. ۲۰۱۷ ، ۲۵۸ ، ۷۱۵-۷۲۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  154. لطیف، اف. لیم، SH; Tan، EH الگوی جدید برای محافظت: خدمات آمبولانس اورژانس در زمان سندرم تنفسی حاد شدید. Prehosp. ظهور. Care ۲۰۰۴ , ۸ , ۳۰۴-۳۰۷٫ [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
شکل ۱٫ طرح فرآیند بررسی مشکلات مکان یابی پویا آمبولانس.
شکل ۲٫ تعداد انتشارات منتخب مربوط به مکان آمبولانس پویا.
شکل ۳٫ ارتباط موضوعات مختلف در مشکلات مکان پویا آمبولانس.
شکل ۴٫ جدول زمانی فرآیند خدمات آمبولانس.
شکل ۵٫ حوزه ها و مشکلات برنامه ریزی EMS [ ۲۱ ].
شکل ۶٫ منحنی معامله بین تعداد امکانات مورد نیاز و استاندارد خدمات (مقدار آستانه بر حسب دقیقه) [ ۱۶ ].
شکل ۷٫ منحنی تجارت بین برخی از تسهیلات و تقاضای تحت پوشش [ ۱۶ ].
شکل ۸٫ رویکردهای حل در مقالات انتخاب شده.
شکل ۹٫ محدودیت های مربوطه موجود در مقالات انتخاب شده.
شکل ۱۰٫ اهداف بهینه سازی در مقالات انتخاب شده.

بدون دیدگاه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

خانهدربارهتماسارتباط با ما