Desarrollan una IA capaz de predecir cómo se mueven las ambulancias en el tráfico urbano para mejorar los tiempos de respuesta

Un equipo de la Escuela de Ingeniería de la Universidad de Nueva York (NYU Tandon) desarrolló un sistema de inteligencia artificial capaz de predecir la velocidad de las ambulancias en el tráfico urbano, con el objetivo de que las agencias de emergencias puedan probar estrategias de respuesta en un entorno virtual antes de aplicarlas en la calle, informó el portal especializado en ciencia y tecnología TechXplore.

A partir de esa capacidad, el sistema demostró poder simular cambios en la ubicación de las bases de ambulancias y estimó una reducción esperada del tiempo de viaje de 14,5% en el área analizada.

El trabajo, publicado en la revista Data Science for Transportation, fue desarrollado junto con el Departamento de Bomberos de Nueva York (FDNY) y el centro de investigación en transporte inteligente C2SMART de la universidad, y surge en un contexto de creciente presión sobre los servicios de emergencia de la ciudad: entre 2015 y 2023, el tiempo medio de llegada a emergencias médicas pasó de 10,4 a casi 13,7 minutos, un aumento de cerca del 32%.

La comisionada de bomberos Lillian Bonsignore vinculó el proyecto con la urgencia operativa del sistema de emergencias. “Cada segundo cuenta cuando alguien llama al 911 por una emergencia médica, y encontrar nuevas maneras de responder lo más rápido posible puede salvar vidas”, enfatizó.

Las ambulancias no son tránsito común

El punto de partida de la investigación fue una limitación concreta: una ambulancia con sirena encendida no circula como un vehículo particular. Puede atravesar semáforos en rojo y maniobrar alrededor de autos detenidos, pero su avance también depende de que los conductores la detecten y le cedan el paso.

Por esa razón, herramientas de navegación diseñadas para el tránsito ordinario, como Google Maps, no pueden estimar con fiabilidad la velocidad de una ambulancia. El equipo investigador señaló que los tiempos de viaje de los vehículos de emergencia no son equivalentes a los de los autos que obedecen las reglas habituales de circulación.

Para cubrir esa diferencia, los investigadores construyeron un gemelo digital del tránsito de alta fidelidad en West Harlem y Morningside Heights, dos barrios del norte de Manhattan que forman parte del área operativa del FDNY estudiada. Ese entorno combinó una simulación detallada de tráfico con datos reales de circulación y registros GPS de casi 1.000 respuestas de ambulancias del FDNY durante 2023.

Con la información generada por esa simulación, el equipo dirigido por Joseph Chow entrenó un modelo de IA llamado EMVAID. Su función fue predecir la velocidad de las ambulancias en segmentos individuales de calle.

El tránsito general fue el factor más influyente

El modelo identificó la velocidad del tráfico de fondo como el predictor más fuerte de la velocidad de una ambulancia. El segundo factor más relevante fue la congestión vial.

El análisis también mostró que las calles de dos carriles suelen favorecer un desplazamiento más rápido que las de un solo carril. En cambio, sumar más carriles por encima de ese nivel aportó poco beneficio adicional.

Las calles con ciclovías no protegidas aparecieron asociadas a velocidades levemente mayores de las ambulancias. La explicación que planteó el estudio es que ese diseño podría ofrecer espacio adicional para que los vehículos de emergencia maniobren alrededor del tránsito detenido.

El investigador asociado senior de C2SMART Fan Zuo, que encabezó el desarrollo y la calibración de la simulación, explicó que parte del desafío consiste en captar esas diferencias de comportamiento vial que no aparecen en los modelos convencionales.

Ensaye decisiones operativas antes de aplicarlas

Como prueba de uso práctico, los investigadores evaluaron si cambiar la ubicación de las bases de ambulancias, definidas como puntos de cruce de calles, podía reducir los tiempos de viaje. En el área simulada, una configuración optimizada elevó del 41% al 55% la proporción de llamadas atendidas por ambulancias asignadas al vecindario.

De acuerdo con el portal, esos resultados se mantuvieron estables incluso cuando el equipo introdujo de manera deliberada errores de predicción en el modelo para medir su robustez. Esa prueba buscó determinar si el sistema aún resultaba útil aun bajo condiciones imperfectas.

El grupo eligió no depender solo de modelos de IA de tipo “caja negra”, cuyo proceso de decisión interno no es visible ni interpretable. En su lugar usó una Explainable Boosting Machine, una herramienta que permite a los planificadores ver por qué el sistema produce una predicción determinada.

La precisión de ese enfoque fue cercana a la de modelos como random forests y XGBoost, algoritmos de alta precisión frecuentes en tareas de predicción, pero su nivel de transparencia lo volvió más útil para tareas de planificación.

Kaan Ozbay, director fundador de C2SMART y autor principal sénior del artículo, sostuvo: “Las agencias de respuesta a emergencias operan en entornos donde incluso pequeñas mejoras en el tiempo de viaje pueden marcar una diferencia”.

Ozbay agregó que la colaboración con el FDNY muestra cómo la ingeniería del transporte y la inteligencia artificial pueden combinarse para ayudar a las agencias a evaluar nuevas estrategias antes de ponerlas en práctica.

Los autores subrayaron que el análisis sobre la ubicación de estaciones fue una demostración de las capacidades del sistema y no una recomendación operativa. Aclararon que muchas ambulancias ya responden a llamados o regresan de hospitales, por lo que la mejora proyectada representa probablemente una estimación optimista basada en supuestos simplificados.

El equipo de C2SMART prevé extender el modelo más allá de un solo vecindario para que los planificadores de emergencias puedan estimar la velocidad de las ambulancias en toda la ciudad sin ejecutar simulaciones detalladas de tráfico en cada zona.