«Το ασθενοφόρο θα φτάσει σε δέκα λεπτά». Μια φράση που ακούγεται συγκεκριμένη και καθησυχαστική. Πόσο αξιόπιστη είναι, όμως, αυτή η εκτίμηση; Μπορεί η διαδρομή να διαρκέσει εννέα λεπτά, αλλά μπορεί να χρειαστεί δεκαπέντε. Για το Συντονιστικό, η διαφορά αυτή έχει σημασία όταν πρέπει να επιλέξει ανάμεσα σε διαθέσιμα οχήματα. Για το πλήρωμα, αποτελεί μέρος της πραγματικότητας του δρόμου, όπου οι συνθήκες δεν ακολουθούν πάντα την πρόβλεψη της οθόνης.
Μια σουηδική ερευνητική εργασία εξετάζει ακριβώς αυτό το ζήτημα: πώς μπορεί η τεχνητή νοημοσύνη να υπολογίζει τον χρόνο διαδρομής ενός ασθενοφόρου και ταυτόχρονα να δείχνει την αβεβαιότητα της εκτίμησης. Η πρόταση των ερευνητών είναι να συνοδεύεται ο προβλεπόμενος χρόνος από ένα κατάλληλα υπολογισμένο εύρος, ώστε ο χειριστής να έχει πληρέστερη εικόνα πριν αποφασίσει.
Η εργασία υπογράφεται από τους Muhammad Adil Abid, Johan Holmgren, Fabian Lorig και Jesper Petersson, με συμμετοχή του Πανεπιστημίου Malmö, της περιφέρειας Skåne και του Πανεπιστημίου Lund. Στο παρεχόμενο αρχείο εμφανίζεται ως προδημοσίευση στο arXiv, με ημερομηνία 22 Οκτωβρίου 2026. Ο τίτλος της αποδίδεται στα ελληνικά ως «Προς αξιόπιστο συντονισμό επείγουσας ιατρικής βοήθειας με τεχνητή νοημοσύνη: εκτίμηση χρόνου διαδρομής ασθενοφόρων με συνυπολογισμό της αβεβαιότητας».
Η βασική ιδέα εξηγείται με ένα υποθετικό παράδειγμα που χρησιμοποιούν οι συγγραφείς. Για ένα περιστατικό υπάρχουν δύο διαθέσιμα ασθενοφόρα. Το πρώτο έχει προβλεπόμενο χρόνο διαδρομής δέκα λεπτών και το δεύτερο έντεκα. Αν εξεταστεί μόνο αυτός ο αριθμός, το πρώτο φαίνεται προτιμότερο. Αν όμως η εκτίμησή του συνοδεύεται από εύρος πέντε έως δεκαπέντε λεπτών, ενώ του δεύτερου από δέκα έως δώδεκα, προκύπτει μια πρόσθετη πληροφορία: η δεύτερη πρόβλεψη είναι λιγότερο αβέβαιη.
Αυτό δεν σημαίνει ότι πρέπει πάντοτε να αποστέλλεται το δεύτερο όχημα. Το εύρος δεν αρκεί από μόνο του για να καθορίσει τη σωστή επιλογή ούτε αποδεικνύει ποιο ασθενοφόρο θα φτάσει πρώτο. Δείχνει, όμως, γιατί η απόφαση μπορεί να χρειάζεται περισσότερα στοιχεία από μια απλή κατάταξη προβλεπόμενων χρόνων.
Η έρευνα βασίστηκε σε καταγεγραμμένες διαδρομές ασθενοφόρων της περιφέρειας Skåne, στη νότια Σουηδία, κατά τα έτη 2020 και 2021. Το αρχικό σύνολο περιλάμβανε 22.360 διαδρομές. Μετά τον έλεγχο και την απομάκρυνση εγγραφών που δεν πληρούσαν τα προκαθορισμένα κριτήρια ποιότητας, παρέμειναν 20.738.
Η μελέτη υπολόγισε τον χρόνο από την καταγεγραμμένη αναχώρηση μέχρι την καταγεγραμμένη άφιξη. Δεν εξέτασε ολόκληρο τον χρόνο ανταπόκρισης από τη λήψη της κλήσης μέχρι την προσέγγιση του ασθενούς. Η διάκριση είναι απαραίτητη, γιατί η τηλεφωνική διαλογή, η ανάθεση και η προετοιμασία πριν από την αναχώρηση αποτελούν διαφορετικά στάδια.
Επιπλέον, το μεγαλύτερο μέρος του δείγματος αφορούσε διαδρομές χαμηλότερης προτεραιότητας: 14.421 από τις 20.738 ανήκαν στην κατηγορία Priority 3, δηλαδή συνήθεις ή λιγότερο χρονικά κρίσιμες μετακινήσεις. Επομένως, τα συνολικά αποτελέσματα δεν πρέπει να παρουσιάζονται ως επιδόσεις αποκλειστικά για ανταπόκριση σε επείγοντα περιστατικά υψηλής προτεραιότητας.
Πριν εκπαιδεύσουν τα μοντέλα, οι ερευνητές ασχολήθηκαν με κάτι λιγότερο εντυπωσιακό από την τεχνητή νοημοσύνη, αλλά καθοριστικό για την αξιοπιστία της: την ποιότητα των καταγραφών. Διαφορετικές υγειονομικές εγκαταστάσεις μπορούσαν να εμφανίζονται με ίδιες γεωγραφικές συντεταγμένες. Άλλες εγγραφές έδιναν μη εύλογες μέσες ταχύτητες, ενδεχομένως λόγω ανακριβών χρονικών σημάνσεων, σφαλμάτων θέσης ή χρόνου αναμονής που είχε συμπεριληφθεί στη διαδρομή.
Για ένα πλήρωμα, η πρακτική σημασία είναι άμεση. Αν η αναχώρηση ή η άφιξη καταγραφεί αρκετά πριν ή μετά το πραγματικό γεγονός, το σύστημα μπορεί να μάθει έναν χρόνο που δεν αντιστοιχεί στην πραγματική μετακίνηση. Ο έλεγχος τέτοιων αποκλίσεων χρειάζεται να εξετάζει και τον τρόπο λειτουργίας της καταγραφής, χωρίς να θεωρεί αυτομάτως ότι κάθε ασυνήθιστος χρόνος αποτελεί σφάλμα ή ευθύνη του εργαζομένου.
Μετά την προετοιμασία των δεδομένων, συγκρίθηκαν διαφορετικές μέθοδοι πρόβλεψης. Το τεχνητό νευρωνικό δίκτυο εμφάνισε την καλύτερη συνολική επίδοση, με μέσο απόλυτο σφάλμα 4,42 λεπτών, ενώ τα μοντέλα CatBoost είχαν πολύ κοντινά αποτελέσματα. Ο αριθμός αυτός σημαίνει ότι η απόλυτη απόκλιση πρόβλεψης και πραγματικού χρόνου ήταν, κατά μέσο όρο, 4,42 λεπτά. Δεν σημαίνει ότι κάθε πρόβλεψη βρισκόταν μέσα σε ένα σταθερό περιθώριο περίπου τεσσάρων λεπτών.
Στη συνέχεια, οι ερευνητές πρόσθεσαν μεθόδους υπολογισμού «διαστημάτων πρόβλεψης». Πρόκειται για εύρη χρόνου που ρυθμίζονται χρησιμοποιώντας ξεχωριστά δεδομένα και τα σφάλματα προηγούμενων προβλέψεων. Με στόχο κάλυψης 90%, η επιδίωξη είναι περίπου εννέα στους δέκα πραγματικούς χρόνους να βρίσκονται μέσα στα αντίστοιχα εύρη, όταν εξετάζεται μεγάλο πλήθος προβλέψεων υπό κατάλληλες συνθήκες.
Το 90% δεν αποτελεί εγγύηση για μια συγκεκριμένη αποστολή. Αφορά τη συνολική συμπεριφορά της μεθόδου. Οι μαθηματικές της εγγυήσεις στηρίζονται σε παραδοχές για τη σχέση των δεδομένων βαθμονόμησης με τις νέες περιπτώσεις και δεν εξασφαλίζουν ότι μια πρωτόγνωρη κατάσταση θα προβλεφθεί σωστά.
Εδώ βρίσκεται και ένα από τα σημαντικότερα ευρήματα. Οι μέθοδοι που χρησιμοποιούσαν σταθερό περιθώριο αβεβαιότητας εμφάνιζαν ικανοποιητική συνολική επίδοση, αλλά δυσκολεύονταν περισσότερο στις μεγάλες διαδρομές. Στο τέταρτο του δείγματος με τις μεγαλύτερες αποστάσεις, η πραγματική κάλυψη έπεφτε περίπου στο 83%, αντί για τον επιδιωκόμενο στόχο του 90%.
Η μέθοδος CQR, η οποία προσαρμόζει το εύρος ανάλογα με τα χαρακτηριστικά κάθε διαδρομής, διατήρησε την κάλυψη μεταξύ 88,9% και 91,6% στις τέσσερις ομάδες αποστάσεων. Η μεγαλύτερη σταθερότητα είχε ένα τίμημα: ευρύτερα διαστήματα, με μέσο συνολικό πλάτος 20,8 λεπτών, έναντι 17,6 λεπτών στις δύο άλλες βαθμονομημένες προσεγγίσεις. Το πλάτος αφορά τη διαφορά ανάμεσα στο κάτω και το πάνω όριο, όχι περιθώριο τόσων λεπτών προς κάθε κατεύθυνση.
Για το Συντονιστικό, ένα μεγάλο εύρος μπορεί να αποτελεί ένδειξη ότι η εκτίμηση χρειάζεται πρόσθετο έλεγχο με επιχειρησιακές πληροφορίες. Για παράδειγμα, μια γνωστή διακοπή κυκλοφορίας μπορεί να έχει μεγαλύτερη σημασία από την πρόβλεψη του λογισμικού. Στη συγκεκριμένη εφαρμογή δεν χρησιμοποιούνταν ζωντανά δεδομένα κυκλοφορίας ή καιρού. Αυτά αναφέρονται ως δυνατότητες μελλοντικής ανάπτυξης.
Για τα πληρώματα, η ουσιαστική προοπτική είναι ένας πιο ειλικρινής τρόπος παρουσίασης των χρόνων μετακίνησης. Μια πρόβλεψη χρειάζεται να αντιμετωπίζεται ως εκτίμηση με όρια, όχι ως χρονική υποχρέωση του οδηγού. Η εργασία δεν εξέτασε την οδηγική συμπεριφορά, αλλά η διάκριση αυτή είναι σημαντική για την επιχειρησιακή αξιοποίηση τέτοιων εργαλείων.
Η μελέτη είναι αναδρομική και περιορίζεται σε μία περιφέρεια και σε δεδομένα δύο ετών. Δεν απέδειξε ότι η παρουσίαση εύρους χρόνου βελτιώνει τις αποφάσεις των χειριστών, μειώνει τις καθυστερήσεις ή βελτιώνει τις εκβάσεις των ασθενών. Οι συγγραφείς αναγνωρίζουν ότι απαιτούνται έλεγχος σε άλλα περιβάλλοντα και προοπτική αξιολόγηση στην πράξη.
Το χρήσιμο βήμα που προτείνει είναι σαφές: ένα σύστημα υποστήριξης αποφάσεων πρέπει να δείχνει και πόση αβεβαιότητα υπάρχει στην εκτίμησή του. Όταν ο χειριστής γνωρίζει τα όρια της πρόβλεψης, έχει καλύτερη βάση για να τη συνδυάσει με την εμπειρία του και τις πληροφορίες του πληρώματος.
Παναγιώτης Σπανός
ΔΙΑΣΩΣΤΕΣ ΡΟΔΟΥ
