Identificación de ubicaciones óptimas para desfibriladores externos automáticos (DEA) en Friburgo: desarrollo y...

Área de la Ciencia:

• Medicina de Emergencia
• Salud Pública
• Ciencia de Datos

Sus antecedentes:

• Las tasas de supervivencia de la parada cardíaca extrahospitalaria (OHCA) mejoran con el acceso rápido a desfibriladores externos automáticos (DEA).
• A menudo faltan directrices óptimas de colocación de DEA y datos históricos de OHCA.
• Este estudio aborda estas lagunas desarrollando un modelo de ML para la colocación de DEA utilizando datos demográficos e infraestructurales.

Objetivo del estudio:

• Analizar estrategias efectivas de colocación de DEA.
• Evaluar el impacto de la ubicación adicional de DEA en casos sospechosos de OHCA.
• Desarrollar un modelo de ML para la colocación de DEA independiente de los datos históricos de OHCA.

Principales métodos:

• Un estudio de modelado predictivo basado en datos analizó 5.076 alertas de OHCA y 95 ubicaciones de DEA en Friburgo.
• Un modelo de árbol de decisión predijo el riesgo de OHCA y un algoritmo voraz determinó las ubicaciones óptimas de los DEA.
• El rendimiento del modelo se validó utilizando datos históricos de OHCA y varios escenarios de cobertura.

Principales resultados:

• La optimización de la colocación de DEA con datos predichos aumentó la cobertura del 21,6% al 42,4% sin añadir dispositivos.
• El modelo de ML logró una cobertura solo un 6,7% inferior a los métodos basados en datos históricos.
• La adición de 19 DEA aumentó la cobertura al 30,5%.

Conclusiones:

• Los modelos de aprendizaje automático son factibles para la colocación de DEA en regiones con pocos datos.
• Las técnicas de ML pueden refinar las estrategias de despliegue de DEA en áreas urbanas.
• La mejora de la colocación de DEA aumenta la eficacia de la respuesta de emergencia para OHCA.