Enhancing Lombardy's digital twin for emergency medical services through machine learning-based demand prediction

Emergency Medical Services (EMS) play a critical role in delivering essential out-of-hospital care by deploying specialized resources to treat patients. To optimize EMS operations, various models, ranging from basic statistics to advanced machine learning algorithms, are proposed in literature to predict demand and allocate resources more efficiently. Demand patterns are influenced by numerous factors, including demographics, territorial characteristics, day of the week, and environmental conditions such as weather and air quality, which can exacerbate certain health issues. In Lombardy region, Northern Italy, a digital twin of the EMS system was developed through a collaboration between the Polytechnic of Milan and AREU, the public agency responsible for managing emergency services in the region. While this tool offers high precision, granularity, and scalability, it involves time-intensive processing, especially for simulating future demand of emergency services. Additionally, the current model does not incorporate critical temporal patterns, such as environmental conditions, which may strongly influence the fluctuation of demand. This highlights the need for a more sophisticated and efficient model. Hence, this study proposes enhancing the existing digital twin with machine learning techniques to improve demand forecasting by integrating these external time-variant factors and reducing processing time. The modeling process involves extensive data collection and processing of spatial and temporal information about Lombardy’s population and territory. The baseline digital twin is described, followed by the introduction of machine learning techniques, specifically tree-based models, to enhance emergency demand prediction due to their ability to capture complex, non-linear relationships within the data. The performance of the resulting improved model is evaluated against real historical emergency data using various error metrics and visualizations. Additionally, the new model's results are compared with the baseline digital twin to assess improvements. Evaluation results demonstrate that the machine learning-enhanced model significantly improves predictive accuracy, reducing RMSE from 8.7 to 2.5. This approach also substantially reduces computational time, enabling day-by-day predictions and real-time decision-making for EMS deployment and resources optimization. These findings underscore the potential of machine learning to provide valuable insights for policy development, aiming to better align EMS resources with demand dynamics and to ultimately improve emergency response outcomes.

I Servizi di Emergenza Sanitaria (SES) svolgono un ruolo fondamentale nel fornire cure essenziali fuori dall'ospedale, impiegando risorse specializzate per trattare i pazienti. Per ottimizzare le operazioni dei SES, la letteratura propone vari modelli per prevedere la domanda emergenziale e allocare le risorse in modo più efficiente, che spaziano dalle statistiche di base agli algoritmi avanzati di machine learning. I pattern di domanda sono influenzati da numerosi fattori, tra cui la demografia, le caratteristiche territoriali, il giorno della settimana e le condizioni ambientali, come il clima e la qualità dell'aria, che possono aggravare determinati problemi di salute. Nella regione Lombardia, nel Nord Italia, è stato sviluppato un "gemello digitale" del sistema SES grazie alla collaborazione tra il Politecnico di Milano e AREU, l'agenzia pubblica responsabile della gestione dei servizi di emergenza della regione. Sebbene questo strumento offra alta precisione, granularità e scalabilità, esso comporta un'elaborazione molto dispendiosa in termini di tempo, specialmente per la simulazione della domanda di emergenza futura. Inoltre, il modello attuale non integra i pattern temporali critici, come le condizioni ambientali, che possono influenzare fortemente le fluttuazioni della domanda. Ciò evidenzia la necessità di un modello più sofisticato ed efficiente. Pertanto, questo studio propone di migliorare il gemello digitale esistente mediante tecniche di machine learning per migliorare la previsione della domanda, integrando questi fattori esterni tempo-varianti e riducendo i tempi di elaborazione. Il processo di modellazione prevede una vasta raccolta ed elaborazione dei dati spaziali e temporali riguardanti la popolazione e il territorio della Lombardia. Viene descritto il gemello digitale di base, seguito dall’introduzione di tecniche di machine learning, in particolare modelli con struttura ad albero, per migliorare le previsioni della domanda emergenziale grazie alla loro capacità di cogliere relazioni complesse e non lineari nei dati. Le prestazioni del modello risultante vengono valutate confrontandole con i dati storici reali delle emergenze utilizzando diverse metriche di errore e visualizzazioni. Inoltre, i risultati del nuovo modello vengono confrontati con quelli del gemello digitale di base per valutare i miglioramenti ottenuti. I risultati della valutazione dimostrano che il modello potenziato di machine learning migliora significativamente l'accuratezza predittiva, riducendo l'RMSE da 8,7 a 2,5. Questo approccio riduce anche notevolmente il tempo di calcolo, consentendo previsioni quotidiane e decisioni in tempo reale per il dispiegamento dei servizi di emergenza e l'ottimizzazione delle risorse. Questi risultati evidenziano il potenziale del machine learning nel fornire preziose informazioni per lo sviluppo di politiche mirate a meglio allineare le risorse dei servizi di emergenza con la dinamica della domanda e a migliorare i risultati complessivi della risposta alle emergenze.