Τεχνητή νοημοσύνη στο Συντονιστικό: λιγότερη αναμονή με καλύτερη διαχείριση των ασθενοφόρων

Ένα ασθενοφόρο ολοκληρώνει τη διακομιδή και δηλώνει διαθέσιμο. Πού πρέπει να κατευθυνθεί; Στη βάση του, στον κοντινότερο σταθμό ή σε μια περιοχή που αυτή τη στιγμή έχει μείνει ακάλυπτη; Για το πλήρωμα και το Συντονιστικό, αυτή είναι μια καθημερινή επιχειρησιακή απόφαση. Για τον επόμενο ασθενή, όμως, μπορεί να επηρεάσει σημαντικά τον χρόνο αναμονής μέχρι να φτάσει βοήθεια.

Αυτό το πρόβλημα εξετάζει μελέτη των Maximiliane Rautenstrauß και Maximilian Schiffer, από το Τεχνικό Πανεπιστήμιο του Μονάχου, στο επιστημονικό περιοδικό European Journal of Operational Research. Η εργασία δημοσιεύτηκε διαδικτυακά τον Αύγουστο του 2026 και εντάχθηκε σε τόμο του 2027. Διερευνά πώς ο συνδυασμός μηχανικής μάθησης και μαθηματικής βελτιστοποίησης μπορεί να υποστηρίξει την αποστολή και την τοποθέτηση των ασθενοφόρων μετά την ολοκλήρωση ενός περιστατικού.

Η βασική ιδέα είναι κατανοητή: κάθε απόφαση επηρεάζει τόσο το περιστατικό που υπάρχει τώρα όσο και την ετοιμότητα για όσα θα ακολουθήσουν. Η αποστολή του πλησιέστερου διαθέσιμου ασθενοφόρου και η επιστροφή του σε μια προκαθορισμένη βάση είναι απλοί και γρήγοροι κανόνες. Δεν εξασφαλίζουν, όμως, ότι ολόκληρη η περιοχή θα παραμείνει επαρκώς καλυμμένη όταν προκύψουν νέες κλήσεις.

Το σύστημα που ανέπτυξαν οι ερευνητές συνδυάζει δύο λειτουργίες. Η μηχανική μάθηση αξιοποιεί παραδείγματα και πληροφορίες για την κατάσταση του συστήματος, ενώ η μαθηματική βελτιστοποίηση επιλέγει εφικτές αναθέσεις ασθενοφόρων και θέσεις αναμονής. Στην πράξη, επιχειρεί να απαντήσει σε δύο ερωτήματα: ποιο όχημα θα αναλάβει την κλήση και πού θα τοποθετηθεί όταν ολοκληρώσει την εξυπηρέτηση και δεν υπάρχει άλλη κλήση σε αναμονή.

Κατά την εκπαίδευση, οι ερευνητές χρησιμοποίησαν και λύσεις που υπολογίστηκαν εκ των υστέρων, με γνώση των περιστατικών που ακολούθησαν. Κατά την εφαρμογή του μοντέλου, όμως, οι αποφάσεις βασίζονταν μόνο σε πληροφορίες διαθέσιμες εκείνη τη στιγμή. Το σύστημα δεν «γνώριζε το μέλλον». Προσπαθούσε να μάθει χρήσιμα πρότυπα από προηγούμενα δεδομένα.

Η αξιολόγηση πραγματοποιήθηκε υπολογιστικά, με πραγματικά δεδομένα κλήσεων του 911 στο Σαν Φρανσίσκο για ιατρικά περιστατικά που εξυπηρετήθηκαν από μονάδες προηγμένης υποστήριξης ζωής. Εξετάστηκαν σενάρια με 50 και με 25 ασθενοφόρα, καθώς και χρονικές περίοδοι χαμηλότερης και υψηλότερης ζήτησης. Το σενάριο των 25 οχημάτων χρησιμοποιήθηκε ως δοκιμή πίεσης, ώστε να εξεταστεί η συμπεριφορά του συστήματος όταν οι διαθέσιμοι πόροι περιορίζονται σημαντικά.

Το μεγαλύτερο όφελος που καταγράφηκε ήταν μείωση του μέσου χρόνου ανταπόκρισης έως περίπου 28%. Το ποσοστό αφορά συγκεκριμένη σύγκριση στο σενάριο των 50 ασθενοφόρων και υψηλής ζήτησης, απέναντι στην πολιτική αποστολής του πλησιέστερου διαθέσιμου οχήματος και επιστροφής στον πλησιέστερο σταθμό. Δεν αποτελεί ενιαίο αποτέλεσμα για όλες τις συνθήκες ούτε εγγύηση ότι μια υπηρεσία που θα εφαρμόσει παρόμοιο σύστημα θα πετύχει την ίδια βελτίωση.

Η διάκριση αυτή έχει σημασία. Η μελέτη αποτελεί υπολογιστική αξιολόγηση πάνω σε ιστορικά δεδομένα, όχι δοκιμή εφαρμογής σε πραγματικές βάρδιες με καταγραφή αποτελεσμάτων πριν και μετά. Επίσης, δεν μέτρησε επιβίωση, αναπηρία ή άλλες κλινικές εκβάσεις. Επομένως, η βελτίωση των χρόνων δεν μπορεί να μετατραπεί αυθαίρετα σε ποσοστό «περισσότερων ζωών που σώθηκαν».

Ένα από τα πιο ουσιαστικά ευρήματα αφορά τα όρια του μέσου όρου. Στα σενάρια με 25 ασθενοφόρα, οι πολιτικές μηχανικής μάθησης δεν ήταν οι καλύτερες ως προς το ποσοστό περιστατικών με ανταπόκριση πέραν των οκτώ λεπτών. Μπορούσαν να εξυπηρετούν γρήγορα περισσότερες κλήσεις, αλλά να αφήνουν ορισμένα περιστατικά με μεγαλύτερη καθυστέρηση. Οι ίδιοι οι ερευνητές συνδέουν αυτή τη συμπεριφορά με τον στόχο του μοντέλου: τη μείωση του μέσου χρόνου, όχι ειδικά την αποφυγή των μεγάλων καθυστερήσεων.

Για τους ανθρώπους της προνοσοκομειακής φροντίδας, αυτό είναι κρίσιμο. Ένας καλύτερος μέσος όρος δεν σημαίνει αυτομάτως καλύτερη κάλυψη για κάθε ασθενή και κάθε περιοχή. Η αξιολόγηση μιας υπηρεσίας χρειάζεται να εξετάζει και ποιοι περιμένουν περισσότερο, πού βρίσκονται και πόσο συχνά εμφανίζονται υπερβολικές καθυστερήσεις. Τα όρια των πέντε και οκτώ λεπτών χρησιμοποιήθηκαν στη συγκεκριμένη μελέτη ως δείκτες σύγκρισης· δεν αποτελούν, μέσα από αυτή την εργασία, ελληνικές επιχειρησιακές ή νομικές απαιτήσεις.

Υπάρχουν επίσης παραδοχές που περιορίζουν τη μεταφορά των αποτελεσμάτων στην καθημερινότητα. Οι χρόνοι μετακίνησης υπολογίστηκαν με γεωγραφικές αποστάσεις και παραδοχή ταχύτητας 30 χιλιομέτρων την ώρα. Ο χρόνος από την ανάθεση μέχρι την αναχώρηση του οχήματος δεν συμπεριλήφθηκε, ενώ θεωρήθηκε ότι, όταν απαιτείται διακομιδή, ο ασθενής μεταφέρεται στο πλησιέστερο Τμήμα Επειγόντων. Αυτές οι απλουστεύσεις απέχουν από πολλές πραγματικές συνθήκες, ιδιαίτερα σε νησιωτικές ή αγροτικές περιοχές.

Για τα πληρώματα, η πρακτική σημασία της έρευνας βρίσκεται κυρίως στην καλύτερη προετοιμασία του συστήματος πριν από την επόμενη κλήση. Η θέση ενός διαθέσιμου ασθενοφόρου αποτελεί μέρος της επιχειρησιακής ετοιμότητας. Η σωστή επιλογή της μπορεί να περιορίσει τις αποστάσεις που θα χρειαστεί να διανύσει αργότερα για να φτάσει στον ασθενή.

Ωστόσο, μια πραγματική εφαρμογή θα χρειαζόταν να συμπεριλάβει όσα δεν αποτυπώνει ένας χάρτης οχημάτων: χρόνο απολύμανσης και ανεφοδιασμού, ανάγκες ανάπαυσης, ασφαλείς χώρους αναμονής, δυνατότητες των πληρωμάτων και πραγματική διαθεσιμότητα εξοπλισμού. Αυτές αποτελούν αναγκαίες επιχειρησιακές προϋποθέσεις προς αξιολόγηση, όχι οφέλη που αποδείχθηκαν από τη συγκεκριμένη μελέτη.

Η τεχνολογία αυτή ανοίγει μια χρήσιμη προοπτική για την υποστήριξη του Συντονιστικού. Δεν τεκμηριώνει, όμως, ότι μπορούν να μειωθούν τα πληρώματα ή ότι η υποστελέχωση λύνεται με λογισμικό. Το ζητούμενο είναι να αξιοποιούνται καλύτερα οι διαθέσιμοι πόροι, με ελέγξιμες αποφάσεις και στόχους που υπηρετούν τόσο την έγκαιρη ανταπόκριση όσο και την προστασία των ασθενών που κινδυνεύουν να περιμένουν περισσότερο.

Πηγή: Rautenstrauß, M. & Schiffer, M., «Optimization-augmented machine learning for vehicle operations in emergency medical services», European Journal of Operational Research, 336 (2027), 1103–1126. DOI: 10.1016/j.ejor.2026.08.007.