Open Access

Luis Teichmann

• In nahezu jedem Rettungsdienstbereich lässt sich ein Anstieg an Notfalleinsätzen und damit einhergehend ein höherer Bedarf an Rettungsmitteln beobachten. Daraus resultieren Einsatzspitzen, die durch den Regelrettungsdienst nicht abgedeckt werden können, und es entsteht eine Unterdeckung. Dies wird auch als Risikofall bezeichnet und birgt die Gefahr, dass ein Rettungsmittel nicht innerhalb der vorgeschriebenen Hilfsfrist am Notfallort eintreffen kann. Um einen potenziellen Risikofall im Vorfeld absehen und einsatztaktische Ausgleichsmaßnahmen innerhalb eines Rettungsdienstbereiches ergreifen zu können, soll deshalb die Einsatznachfrage in stündlicher Auflösung prognostiziert werden. Dazu wurde die Einsatz-Zeit-Reihe 2017 der hochfrequentierten Feuer- und Rettungswache 1 in der Kölner Innenstadt analysiert und ein saisonales ARIMA-Modell sowie ein Erwartungswert-Modell auf die Einsatz-Zeit-Reihe des Folgejahres 2018 angewandt. Gezeigt werden konnte, dass sich die Einsatz-Zeit-Reihe mit einer mittleren absoluten Abweichung von etwas mehr als einem Einsatz prognostizieren lässt. Außerdem konnte mit einer Skalierung der Prognose über die Anzahl einsatzbereiter Rettungs-wagen jeder Risikofall in einem einwöchigen Anwendungstest vorhergesagt werden. Dabei zeigte sich, dass nicht die Prognosegüte in der Stunde der Einsatzspitze relevant ist, sondern die Prognosegüte in der Folgestunde. Die Prognosen haben somit, wenn sie skaliert werden, eine hohe einsatztaktische Relevanz und ermöglichen kurz-fristige Ausgleichsmaßnahmen im Tagesgang.
• An increase in emergency operations and thus a concomitantly higher need for ambu-lances can be observed in almost every rescue service area. As a result, an increasing number of operation peaks, which cannot be covered by the regular rescue service leads to a shortage. This is also referred to as a risk case and contains the risk that an ambulance cannot reach at the emergency location within the prescribed time. In order to anticipate a risk case in advance and enable tactical compensation measures within a rescue service area, the demand for operations should therefore be forecasted in an hourly resolution. For this purpose, the 2017 deployment time series of the highly frequented fire and rescue station 1 in Cologne's city center was analyzed and a seasonal ARIMA model as well as a conditional expectation model were applied to the deployment time series of the following year 2018. It was shown that the time series can be predicted with an average absolute deviation of slightly more than one emergency. By the scaling of the forecast of the number of ready-to-use ambulances, every risk case could be predicted in a one-week application test. It was shown here that it is not the forecast quality of the hour of the operational peak that is relevant, but the forecast quality of the following hour. If scaled, the forecasts are therefore highly relevant in terms of operational tactics and enable short-term compensation measures to be taken in the course of the day.