MARC

 008250123s2024        us                              c    eng  d
■001000017163422
■00520250211152706
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384052852
■035    ▼a(MiAaPQ)AAI31488345
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a362.18
■1001  ▼aLi,  Hemeng.▼0(orcid)0000-0002-9004-516X
■24510▼aModeling  Community  First  Responder  Systems:  Evaluating  Impact,  Guiding  Recruitment,  and  Learning  Dispatch  Strategies
■260    ▼a[Sl]▼bCornell  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a163  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-03,  Section:  B.
■500    ▼aAdvisor:  Henderson,  Shane.
■5021  ▼aThesis  (Ph.D.)--Cornell  University,  2024.
■520    ▼aIn  Community  First  Responder  (CFR)  systems,  trained  volunteers  (CFRs)  located  near  patients  augment  traditional  emergency  services  by  responding  to  alerts  via  a  mobile  app,  especially  for  out-of-hospital  cardiac  arrests  (OHCA)  where  rapid  response  is  crucial.  Volunteer  efforts  can  significantly  improve  survival  rates  for  OHCA.It  is  important  to  determine  the  number  of  volunteers  needed  and  the  recruitment  locations  to  achieve  a  target  performance  level.  We  first  model  CFR  presence  using  a  Poisson  point  process,  allowing  us  to  compute  response-time  distributions  for  the  first-arriving  CFR.  Combining  this  model  with  known  survival  rate  functions,  we  deduce  survival  probabilities  for  OHCA  scenarios.  Using  convex  optimization,  we  then  determine  the  optimal  distribution  of  CFRs  across  a  region  to  optimize  either  the  fraction  of  fast  responses  or  the  patient  survival  rate.  This  optimal  CFR  location  distribution  provides  a  benchmark  for  the  best  possible  performance  with  a  given  number  of  volunteers,  offering  insights  into  the  feasibility  of  introducing  a  CFR  system  in  a  new  region  or  guiding  additional  recruitment  in  existing  systems.Additionally,  we  explore  phased  alerting  policies  for  CFR  systems,  where  volunteers  are  notified  in  stages  with  time  delays,  with  the  goal  of  maintaining  high  survival  rates  while  minimizing  so-called  volunteer  fatigue  that  can  arise  when  more  than  a  required  number  of  volunteers  respond  to  a  single  OHCA.  The  policy  defining  these  delays  impacts  both  response  times,  directly  related  to  survival,  and  the  number  of  redundant  (exceeding  the  required  number)  volunteer  arrivals.  We  evaluate  the  performance  of  CFR  dispatch  policies  through  Monte  Carlo  simulation.  We  then  present  a  Markov  Decision  Process  (MDP)  formulation  and  a  machine  learning-based  selection  strategy  for  determining  which  volunteers  to  alert  and  when  for  each  incident,  effectively  balancing  patient  survival  and  volunteer  fatigue.We  include  a  case  study  for  both  the  CFR  model  and  CFR  dispatch  strategies  in  Auckland,  New  Zealand,  based  on  empirical  data  from  their  CFR  system,  GoodSAM.  This  comprehensive  study  provides  a  framework  for  improving  CFR  systems  globally.
■590    ▼aSchool  code:  0058.
■653    ▼aCommunity  first  responders
■653    ▼aMulti-class  classification
■653    ▼aOR  in  health  services
■653    ▼aOut-of-hospital  cardiac  arrest
■653    ▼aPoisson  point  process
■653    ▼aVolunteer  dispatch
■690    ▼a0796
■690    ▼a0769
■71020▼aCornell  University▼bOperations  Research  and  Information  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g86-03B.
■790    ▼a0058
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17163422▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서