全部研究
研究 04 · BMC Medical Informatics and Decision Making
已通过同行评审理解急救响应时间
优先级、工作负荷、地理、天气及运行时间如何共同塑造响应时间变异和极端延迟。
优先级最重要，但工作负荷、呼叫原因、地理、降水、温度和运行时间相互作用；较低优先级呈明显长尾。
- 研究问题
- 优先级、工作负荷、地理、天气及运行时间如何共同塑造响应时间变异和极端延迟。
- 研究人群
- 1,144,754 次急救任务 · 2017–2022 · 瑞典斯德哥尔摩
- 研究方法
- 分析2017–2022年斯德哥尔摩1,144,754次急救任务，将运行、地理和天气变量纳入回归与机器学习。
- 主要发现
- 优先级最重要，但工作负荷、呼叫原因、地理、降水、温度和运行时间相互作用；较低优先级呈明显长尾。
- 运行意义
- 管理应监测所有优先级的完整分布和极端延迟，而不只关注最高优先级的中位数。
研究缺少交通数据、仅来自一个地区，模型表现不等同于可实时部署。
打开论文 ↗最长响应时间能揭示什么？
探索此研究问题原始出版物标题
Understanding EMS response times: a machine learning-based analysis
本页为研究摘要。完整方法、结果及再利用条款请参阅英文原始出版物。
研究来源
- 发表状态
- 已通过同行评审
- 研究问题
- 优先级、工作负荷、地理、天气及运行时间如何共同塑造响应时间变异和极端延迟。
- 研究人群
- 1,144,754 次急救任务
- 研究环境
- 瑞典斯德哥尔摩
- 研究期间
- 2017–2022
- 研究方法
- 分析2017–2022年斯德哥尔摩1,144,754次急救任务，将运行、地理和天气变量纳入回归与机器学习。
- 解释边界
- 研究缺少交通数据、仅来自一个地区，模型表现不等同于可实时部署。
- 引用本研究
- 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