Toutes les études
Étude 04 · BMC Medical Informatics and Decision Making
Évalué par les pairsComprendre les délais d’intervention EMS
Comment priorité, charge, géographie, météo et intervalles opérationnels façonnent la variabilité et les délais extrêmes.
La priorité dominait, mais charge, motif, géographie, pluie, température et intervalles interagissaient; longues traînes aux priorités basses.
- Question de recherche
- Comment priorité, charge, géographie, météo et intervalles opérationnels façonnent la variabilité et les délais extrêmes.
- Population
- 1 144 754 missions des services médicaux d’urgence · 2017–2022 · Stockholm, Suède
- Méthode
- Analyse de 1 144 754 missions à Stockholm, 2017–2022, avec variables opérationnelles, géographiques et météorologiques.
- Résultats principaux
- La priorité dominait, mais charge, motif, géographie, pluie, température et intervalles interagissaient; longues traînes aux priorités basses.
- Portée opérationnelle
- La gestion doit suivre distributions et retards extrêmes pour toutes les priorités, pas seulement une médiane.
Données de trafic absentes, une seule région et modèles non prêts pour le temps réel.
Ouvrir la publication ↗Que révèlent les délais les plus longs ?
Explorer cette question de rechercheTitre de la publication originale
Understanding EMS response times: a machine learning-based analysis
Cette page résume la recherche. Consultez la publication originale en anglais pour l’intégralité des méthodes, résultats et conditions de réutilisation.
Provenance de la recherche
- Statut de publication
- Évalué par les pairs
- Question de recherche
- Comment priorité, charge, géographie, météo et intervalles opérationnels façonnent la variabilité et les délais extrêmes.
- Population
- 1 144 754 missions des services médicaux d’urgence
- Contexte
- Stockholm, Suède
- Période
- 2017–2022
- Méthode
- Analyse de 1 144 754 missions à Stockholm, 2017–2022, avec variables opérationnelles, géographiques et météorologiques.
- Limites d’interprétation
- Données de trafic absentes, une seule région et modèles non prêts pour le temps réel.
- Citer cette recherche
- Hill P, Lederman J, Jonsson D, Bolin P, et al. Understanding EMS response times: a machine learning-based analysis. BMC Med Inform Decis Mak. 2025;25:143. doi:10.1186/s12911-025-02975-z