Analyzing High-Risk Emergency Areas with GIS and Neural Networks: The Case of Athens, Greece

Abstract

Any analysis of health service problems facing the world today must consider that these problems exist in a geographic context. This fact has led to an increased need for accurate and current information to support emergency planning and decision making. In this article we combine geographic information systems (GIS) and neural networks for performing health emergency assessments and generating hazard maps that show areas that are potentially at high risk for emergencies. Through the use of neural networks we predict the location of future emergency events. On these events we use a kernel density estimator to create maps of areas that have a high risk for future emergencies. As a result, emergency services will know in advance where there is a high possibility of an emergency event occurring and can formulate a response, thus improving incident management and health planning. For example, the service can locate ambulances in places near the expected emergency cases, minimizing response time. The approach was tested in stroke-event analysis in the city of Athens, Greece.

任何有关今日全球公卫健康服务问题的分析, 皆必须考量到这些问题存在于一特定的地理脉络。此一事实导致对精确与及时信息逐渐增加之需求, 以支援紧急应变计划和决策制定。我们将在本文中结合地理信息系统 (GIS) 与神经网络, 以执行公 卫健康急难评估, 并製作对紧急事件具有潜在高危险之区域的灾害地图。我们运用神经网络, 预测未来紧急事件的发生地。 在这些事件中, 我们运用核密度估计法, 製作对未来紧急事变具有高危险性的区域地图。以此, 紧急应变服务可事先知道何地将具有发生紧急事件的高度可能性, 并规划回应方式, 进而改善紧急事件管理与公卫健康规划。举例而言, 此一服务可以将救护车设置于预期急难事件的周遭以最小化回应时间。此一方法曾在希腊雅典市的中风事件分析中进行测试。

Cualquier análisis de los problemas que enfrenta actualmente el mundo en relación con los servicios de salud debe asumir que estos problemas ocurren en un contexto geográfico. Este hecho refuerza la mayor necesidad de información exacta y actual en la que se apoye la planificación de emergencia y la toma de decisiones. En este artículo combinamos sistemas de información geográfica (SIG) y cadenas neurales para llevar a cabo evaluaciones de salud de emergencia y generar mapas de riesgo que muestren áreas con alto potencial de emergencia por riesgos. Con el uso de cadenas neurales pronosticamos la localización de futuros eventos de emergencia. Sobre estos eventos usamos un estimador de la densidad kernel para crear mapas de áreas que tienen alto riesgo de emergencias futuras. Como resultado, los servicios de emergencias sabrán con anticipación en dónde hay una alta posibilidad de ocurrencia de un evento de emergencia y podrán formular una respuesta, mejorando así en el manejo de incidentes y planificación sanitaria. Por ejemplo, el servicio puede ubicar ambulancias en lugares próximos a los casos esperados de emergencia, minimizando el tiempo de respuesta. El enfoque fue puesto a prueba en el análisis de eventos relacionados con ataques cardíacos en la ciudad de Atenas, Grecia.

Key Words:

• emergency planning and response
• health GIS
• kernel density estimator
• neural networks.

关键词:

• 紧急应变计划与回应
• 公卫地理信息系统
• 核密度估计法
• 神经网络

Palabras clave:

• planificación y respuesta ante emergencias
• SIG de salubridad
• estimador de la densidad kernel
• cadenas neurales