Introduction: Out-of-hospital cardiac arrest (OHCA) is a critical medical emergency where rapid access to automated external defibrillators (AED) can significantly improve survival rates. However, there is currently a lack of well-established frameworks and guidelines concerning the optimal placement of AED. Additionally, historical data on the locations of OHCA incidents is often unavailable or incomplete. This study seeks to address these gaps by analyzing the most effective AED placement strategies and evaluating the impact of additional AED locations on suspected OHCA cases. To achieve this, a machine learning (ML) model is developed that relies exclusively on demographic and infrastructural factors, without the need for historical OHCA location data.
Methods: In this data-driven predictive modelling study, 5,076 alerts of suspected OHCA and 95 AED locations in Freiburg were analysed (October 7, 2018, to May 28, 2024). Demographic and infrastructural data were integrated into a three-step approach to identify and prioritize optimal AED placements. A Decision Tree was trained to predict OHCA risk at possible locations, followed by the application of a greedy algorithm to determine AED locations. The models were validated using several performance metrics and historical OHCA data to ensure accuracy. Additionally, different scenarios were evaluated to maximize AED coverage of OHCA incidents.
Results: Optimizing AED placement using predicted data increased coverage from 21.6% to 42.4%, without adding more devices. The ML model's coverage was only 6.7% lower than that achieved using historical alert data. Adding 19 AEDs (a 20% increase) to the existing network raised coverage to 30.5%.
Conclusion: The findings demonstrate the feasibility of using ML models for AED placement in regions lacking comprehensive historical data. Integrating advanced ML techniques can further refine strategies for AED deployment in urban areas, ultimately improving emergency response effectiveness. TRIAL REGISTRATION: The trial is registered with the German Clinical Trials Register (DRKS, ID: DRKS00016625 15/04/2019 and DRKS00032957 30/10/2023), which is a WHO primary register.
Conclusion (proposition de traduction) : Les résultats montrent la faisabilité de l’utilisation de modèles d’apprentissage automatique pour le positionnement des DAE dans des régions ne disposant pas de données historiques complètes. L’intégration de techniques avancées de machine learning pourrait permettre d’affiner davantage les stratégies de déploiement des DAE en milieu urbain, et ainsi améliorer l’efficacité de la réponse aux urgences.
Commentaire : Cet article repose sur une étude de modélisation prédictive observationnelle, méthodologiquement solide, utilisant des données démographiques et infrastructurelles pour optimiser le positionnement des DAE sans recourir aux localisations historiques d’arrêts cardiaques. Le choix d’un arbre de décision associé à une priorisation spatiale par algorithme glouton est cohérent avec l’objectif, même si le modèle reste exposé à des limites classiques de ce type d’approche (absence de facteurs temporels, bidimensionnalité des isochrones, risque d’optimum local). Le niveau de preuve est intermédiaire, mais pertinent pour une problématique de système de soins. Sur le plan pratique, ce travail apporte un changement conceptuel majeur : il démontre que le déploiement des DAE peut et doit être anticipé de manière proactive, rationnelle et reproductible, en s’appuyant sur des déterminants structurels stables plutôt que sur des initiatives opportunistes ou des analyses purement rétrospectives. Il s’inscrit pleinement dans la vision moderne de la prise en charge de l’arrêt cardiaque, où l’amélioration du pronostic dépend autant de l’organisation territoriale et du maillage défibrillatoire que des interventions médicales elles-mêmes, et constitue une référence structurante pour les systèmes de secours, les collectivités et les réseaux de premiers répondants.