La simulación de IA apunta a viajes en ambulancia un 14,5 % más cortos

En una calle de Nueva York, una ambulancia con la sirena activada tiene que desenvolverse en un sistema de tráfico diseñado para conductores normales. Investigadores de NYU Tandon han creado ahora un marco de IA que predice con qué rapidez se desplazará por el tráfico urbano, lo que ofrece al FDNY una forma virtual de probar estrategias de respuesta antes de modificar las calles en el mundo real.

La presión es cuantificable. El tiempo medio de respuesta del FDNY a las emergencias médicas aumentó de unos 10,4 minutos en 2015 a casi 13,7 minutos en 2023, un incremento de casi un 32 %. Una ambulancia puede saltarse legalmente los semáforos en rojo y maniobrar alrededor del tráfico detenido, pero sigue dependiendo de que los conductores cercanos reconozcan la sirena y le hagan sitio. Las herramientas diseñadas para el tráfico normal, incluido Google Maps, no pueden reflejar este comportamiento de forma fiable.

El equipo de investigación construyó un gemelo digital del tráfico de alta fidelidad que cubre West Harlem y Morningside Heights, la zona de despacho M6 del FDNY. El modelo combina una simulación detallada del tráfico con datos reales de tráfico y GPS de casi 1.000 intervenciones de ambulancias del FDNY en 2023. Fan Zuo, investigador sénior asociado de C2SMART, dirigió el trabajo de simulación y calibración, y el equipo entrenó EMVAID para predecir la velocidad de las ambulancias en tramos de carretera individuales. Joseph Chow dirigió la investigación, con Kaan Ozbay, director de C2SMART, como autor sénior.

El modelo determinó que la velocidad del tráfico general era el principal predictor de la velocidad de las ambulancias, seguida de la congestión. Por lo general, las calles de dos carriles ayudaban a las ambulancias a desplazarse más rápido que las de un solo carril, mientras que añadir más carriles aportaba pocos beneficios adicionales. Las calles con carriles bici no protegidos se asociaron con velocidades de ambulancia ligeramente superiores, posiblemente porque ofrecían a los vehículos de emergencia más espacio para adelantar al tráfico detenido.

En concreto, los responsables de emergencias podrían utilizar el marco para comparar estrategias en un barrio virtual antes de aplicarlas. En una demostración, un conjunto optimizado de ubicaciones para las bases de ambulancias redujo un 14,5 % el tiempo de viaje previsto y aumentó del 41 % al 55 % la proporción de llamadas atendidas por ambulancias con base en el barrio. El resultado no es una recomendación del FDNY: los investigadores señalan que probablemente sobreestima la mejora, porque las ambulancias pueden estar atendiendo llamadas o regresando de hospitales. Los resultados se mantuvieron estables cuando el equipo introdujo deliberadamente errores de predicción, y C2SMART afirma que el método podría ampliarse más allá de un solo barrio para estimar las velocidades en toda la ciudad.