Regional Learning Collaboratives Produce Rapid and Sustainable Improvements in Stroke Thrombolysis Times
Notice bibliographique
Résumé
BACKGROUND: Reduction in door-to-needle (DTN) times in patients with acute ischemic stroke treated with tissue-type plasminogen activator is associated with improved outcomes. We hypothesized that a learning collaborative would rapidly reduce DTN times at Chicago's primary stroke centers. METHODS AND RESULTS: We analyzed data from all adult patients with out-of-hospital ischemic stroke hospitalized between January 1, 2010 and March 31, 2015 and who received tissue-type plasminogen activator in the emergency department at 15 primary stroke centers in Chicago and 15 primary stroke centers in St. Louis. We implemented a structured learning collaborative in Chicago in quarter 1 of 2013 that included (1) a quality improvement leader, (2) stroke content expert, (3) multidisciplinary teams from each site, (4) a targeted goal for the program (DTN time <60 minutes in >50% of patients treated with tissue-type plasminogen activator), and (5) face-to-face meetings with on-site visits. We used interrupted time-series analysis to compare the impact of the learning collaborative on DTN times in Chicago pre- and post implementation and also concurrently versus St. Louis. We prespecified adjustment for mode of arrival, emergency medical services prenotification, and onset-to-arrival times. P values less than 0.05 were considered significant. In adjusted analysis, the reduction in DTN time within 1 quarter of implementation was 15.5 minutes (P=0.046) at Chicago sites versus 1.17 minutes at St. Louis sites (P=0.601). CONCLUSIONS: Using a learning collaborative model at Chicago's 15 primary stroke centers, we observed major reductions in DTN times within 1 quarter of implementation. Regional collaboration and best practices sharing should be a model for rapid and sustainable system-wide quality improvement.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».