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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».