Las dos versiones están alineadas bloque a bloque, en el orden del texto: titular, lo esencial y después párrafo a párrafo. Cuando la traducción ha fusionado o dividido un párrafo, la casilla correspondiente queda vacía — nunca emparejamos dos pasajes a ojo.
On a New York street, an ambulance with its siren on has to negotiate a traffic system built for ordinary drivers. Researchers at NYU Tandon have now built an AI framework that predicts how quickly it will move through city traffic, giving the FDNY a virtual way to test response strategies before changing streets in the real world.
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.
The pressure is measurable. FDNY's average response time to medical emergencies rose from about 10.4 minutes in 2015 to nearly 13.7 minutes in 2023, an increase of almost 32%. An ambulance can legally pass through red lights and maneuver around stopped traffic, but it still depends on nearby drivers recognizing the siren and making room. Tools designed for normal traffic, including Google Maps, cannot reliably capture that behavior.
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.
The research team built a high-fidelity Traffic Digital Twin covering West Harlem and Morningside Heights, FDNY's M6 dispatch zone. The model combines detailed traffic simulation with real-world traffic and GPS data from nearly 1,000 FDNY ambulance responses in 2023. Led in the simulation and calibration work by C2SMART senior research associate Fan Zuo, the team trained EMVAID to predict ambulance speeds on individual road segments. Joseph Chow led the research, with C2SMART director Kaan Ozbay as senior author.
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.
The model found that background traffic speed was the strongest predictor of ambulance speed, followed by congestion. Two-lane streets generally helped ambulances move faster than one-lane streets, while adding more lanes brought little extra benefit. Streets with unprotected bike lanes were associated with slightly faster ambulance speeds, possibly because they gave emergency vehicles more room to pass stopped traffic.
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.
Concretely, emergency planners could use the framework to compare strategies in a virtual neighborhood before putting them into practice. In one demonstration, an optimized set of ambulance base locations reduced expected travel time by 14.5% and increased the share of calls handled by neighborhood-based ambulances from 41% to 55%. The result is not an FDNY recommendation: the researchers say it likely overstates the improvement because ambulances may already be responding to calls or returning from hospitals. The findings stayed stable when the team deliberately introduced prediction errors, and C2SMART says the approach could be extended beyond one neighborhood to estimate speeds across the city.
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.