Técnicas de agrupamiento y análisis geoespacial - Estudio comparativo en la línea de emergencia de Bogotá
Resumen
El presente trabajo aborda un estudio comparativo entre dos periodos: el primero abarca los dos años anteriores al inicio de la pandemia de covid-19 (2018 y 2019) y el segundo corresponde a los años durante la pandemia (2020 y 2021), en la ciudad de Bogotá, Colombia. Para esto se caracteriza el sistema y, mediante técnicas de agrupamiento y análisis geoespacial, se comparan ambos periodos, permitiendo identificar los cambios en el comportamiento de los incidentes y en la atención brindada, teniendo en cuenta el tipo de vehículo y la prioridad asignada. El análisis espacial identificó que las zonas suroccidental y sur fueron las más afectadas, además, que hay una diferencia en el comportamiento entre el periodo diurno y nocturno. En general, la época de pandemia resultó en mayores tiempos de respuesta, en especial ante incidentes de salud mental, y las zonas mencionadas
aumentaron su afectación, debido al crecimiento de los incidentes.
Descargas
Referencias bibliográficas
S. Carrigan, J. Goldstein, A. Carter, Y. Asada, y A. Travers, «The Prevalence and Characteristics of Non-Transports in a Provincial Emergency Medical Services System: A Population-Based Study», J Emerg Med, vol. 62, n.o 4, pp. 534-544, abr. 2022. Disponible en https://pubmed.ncbi.nlm.nih.gov/35131130/
A. Al Amiry y B. J. Maguire, «Emergency medical services (Ems) calls during covid-19: Early lessons learned for systems planning (a narrative review)», Open Access Emergency Medicine, vol. 13. 2021. Disponible en: https://pubmed.ncbi.nlm.nih.gov/34522146/
M. Colla, G. D. Santos, G. A. Oliveira, y R. B. B. de Vasconcelos, «Ambulance response time in a Brazilian emergency medical service», Socioecon Plann Sci, vol. 85, p. 101434, feb. 2023, https://doi.org/10.1016/j.seps.2022.101434
J. R. Martínez-Riera y E. Gras-Nieto, «Atención domiciliaria y COVID-19. Antes, durante y después del estado de alarma», Enferm Clin, vol. 31, pp. S24-S28, feb. 2021, https://doi.org/10.1016/j.enfcli.2020.05.003
F. Mohammadi, B. Tehranineshat, M. Bijani, y A. A. Khaleghi, «Management of COVID-19-related challenges faced by EMS personnel: a qualitative study», BMC Emerg Med, vol. 21, n.o 1, pp. 1-9, dic. 2021. Disponible en https://pubmed.ncbi.nlm.nih.gov/34391404/
J. Montserrat-Capdevila, I. Fornells-Barberà, A. Roso-Llorach, P. Olivares-Sanzo, A. Romero-Gracia, y J. X. Ichart, «Impacto de la COVID-19 en la salud mental de la población: estudio en atención primaria», Aten Primaria, vol. 56, n.o 3, p. 102813, mar. 2024, https://doi.org/10.30849/ripijp.v54i1.1287
A. Kumar, A. Kumar, R. Mallipeddi, y D.-G. Lee, «High-density cluster core-based k-means clustering with an unknown number of clusters», Appl Soft Comput, vol. 155, p. 111419, abr. 2024, https://doi.org/10.1016/j.asoc.2024.111419
O. E. Dragomir, F. Dragomir, y M. Radulescu, «Matlab Application of Kohonen Self-organizing Map to Classify Consumers’ Load Profiles», Procedia Comput Sci, vol. 31, pp. 474-479, ene. 2014. Disponible en: https://www.researchgate.net/publication/275067171_Matlab_Application_of_Kohonen_Self-organizing_Map_to_Classify_Consumers'_Load_Profiles/fulltext/5552a5c608ae980ca606c13e/Matlab-Application-of-Kohonen-Self-organizing-Map-to-Classify-Consumers-Load-Profiles.pdf
N. Xu, W. Zhu, R. Wang, Q. Li, Z. Wang, y R. B. Finkelman, «Application of self-organizing maps to coal elemental data», Int J Coal Geol, vol. 277, p. 104358, sep. 2023, https://doi.org/10.1016/j.coal.2023.104358
S. Licen, A. Astel, y S. Tsakovski, «Self-organizing map algorithm for assessing spatial and temporal patterns of pollutants in environmental compartments: A review», Science of The Total Environment, vol. 878, p. 163084, jun. 2023, https://doi.org/10.1016/j.scitotenv.2023.163084
J. Ortega, Big Data, machine learning y data science en Python, 1.a ed., vol. 1. Madrid: RA-MA Editorial, 2022.
A. M. Ikotun, A. E. Ezugwu, L. Abualigah, B. Abuhaija, y J. Heming, «K-means clustering algorithms: A comprehensive review, variants analysis, and advances in the era of big data», Inf Sci (N Y), vol. 622, pp. 178-210, abr. 2023, https://doi.org/10.1016/j.ins.2022.11.139
H. Humaira y R. Rasyidah, «Determining The Appropiate Cluster Number Using Elbow Method for K-Means Algorithm», feb. 2020, http://dx.doi.org/10.4108/eai.24-1-2018.2292388
Á. Arroyo, Á. Herrero, V. Tricio, y E. Corchado, «Analysis of meteorological conditions in Spain by means of clustering techniques», Journal of Applied Logic, vol. 24, pp. 76-89, nov. 2017, https://doi.org/10.1016/j.jal.2016.11.026
T. Caliñski y J. Harabasz, «A Dendrite Method Foe Cluster Analysis», Communications in Statistics, vol. 3, n.o 1, pp. 1-27, 1974. Disponible en: https://www.researchgate.net/publication/233096619_A_Dendrite_Method_for_Cluster_Analysis
D. Peña, Análisis de datos multivariantes. 2002, pp. 137-142. Disponible en: https://eva.fing.edu.uy/pluginfile.php/291198/mod_resource/content/1/kupdf.net_pentildea-daniel-analisis-de-datos-multivariantes-2002pdf.pdf
M. Greenacre, P. J. F. Groenen, T. Hastie, A. I. D’Enza, A. Markos, y E. Tuzhilina, «Principal component analysis», Nature Reviews Methods Primers, vol. 2, n.o 1, p. 100, 2022. Disponible en: https://www.nature.com/articles/s43586-022-00184-w
S. Chowdhury, N. Helian, y R. Cordeiro de Amorim, «Feature weighting in DBSCAN using reverse nearest neighbours», Pattern Recognit, vol. 137, p. 109314, may 2023, https://doi.org/10.1016/j.patcog.2023.109314
J. Bobadilla, Machine Learning y Deep Learning usando Python, Scikit y Keras., 1.a ed. Bogota: Edicion Ra-Ma, 2020.
A. Starczewski, P. Goetzen, y M. J. Er, «A New Method for Automatic Determining of the DBSCAN Parameters», Journal of Artificial Intelligence and Soft Computing Research, vol. 10, n.o 3, pp. 209-221, jul. 2020, https://doi.org/10.2478/jaiscr-2020-0014
T. Satty, S. Ramgopal, J. Elmer, V. N. Mosesso, y C. Martin-Gill, «EMS responses and non-transports during the COVID-19 pandemic», Am J Emerg Med, vol. 42, pp. 1-8, abr. 2021, https://doi.org/10.1016/j.ajem.2020.12.078
N. Kattih y F. Mansour, «The impact of the COVID pandemic on health, healthcare utilization, and healthcare spending», Research in Economics, vol. 78, n.o 2, p. 100951, jun. 2024, https://doi.org/10.1016/j.rie.2024.100951
E. B. Lerner, C. D. Newgard, y N. C. Mann, «Effect of the Coronavirus Disease 2019 (COVID-19) Pandemic on the U.S. Emergency Medical Services System: A Preliminary Report», Academic Emergency Medicine, vol. 27, n.o 8, pp. 693-699, ago. 2020. https://doi.org/10.1111/acem.14051
A. Al-Wathinani et al., «Increased Emergency Calls during the COVID-19 Pandemic in Saudi Arabia: A National Retrospective Study», Healthcare 2021, Vol. 9, Page 14, vol. 9, n.o 1, p. 14, dic. 2020, https://doi.org/10.3390/healthcare9010014
M. Rautenstrauss, L. Martin, y S. Minner, «Ambulance dispatching during a pandemic: Tradeoffs of categorizing patients and allocating ambulances», Eur J Oper Res, vol. 304, n.o 1, pp. 239-254, ene. 2023, https://doi.org/10.1016/j.ejor.2021.11.051
D. W. Lee, H. J. Moon, y N. H. Heo, «Association between ambulance response time and neurologic outcome in patients with cardiac arrest», Am J Emerg Med, vol. 37, n.o 11, pp. 1999-2003, nov. 2019, https://doi.org/10.1016/j.ajem.2019.02.021
Derechos de autor 2024 Ciencia e Ingeniería Neogranadina
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
