Abstract 218: Expanding a Learning Collaborative Model in Chicago to Improve Door to Needle for Stroke Thrombolysis: Raising the Bar
Notice bibliographique
Résumé
Background: There remains significant opportunities to reduce door-to-needle (DTN) times for stroke despite regional and national efforts. In Chicago, Quality Enhancement for the Speedy Thrombolysis for Stroke (QUESTS) was a one year learning collaborative (LC) which aimed to reduce DTN times at 15 Chicago Primary Stroke Centers. Identification of barriers and sharing of best practices resulted in achieving DTN < 60 minutes within the first quarter of the 2013 initiative and has sustained progress to date. Aligned with Target: Stroke goals, QUESTS 2.0, funded for the 2016 calendar year, invited 9 additional metropolitan Chicago area hospitals to collaborate and further reduce DTN times to a goal < 45 minutes in 50% of eligible patients. Methods: All 24 hospitals participate in the Get With The Guidelines (GWTG) Stroke registry and benchmark group to track DTN performance improvement in 2016. Hospitals implement American Heart Association’s Target Stroke program and share best practices uniquely implemented at sites to reduce DTN times. The LC included a quality and performance improvement leader, a stroke content expert, site visits and quarterly meetings and learning sessions, and reporting of experiences and data. Results: In 2015, the year prior to QUESTS 2.0, the proportion of patients treated with tPA within 45 minutes of hospital arrival increased from 21.6% in Q1 to 31.4% in Q2. During the 2016 funded year, this proportion changed from 31.6% in Q1 to 48.3% in Q2. Conclusions: Using a learning collaborative model to implement strategies to reduce DTN times among 24 Chicago area hospitals continues to impact times. Regional collaboration, data sharing, and best practice 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 | 0,002 |
| 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 | 0,001 | 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 ».