Describing out-of-hospital cardiac arrest to improve recognition
Notice bibliographique
Résumé
Introductions
 
 Out-of-hospital cardiac arrests (OOHCA) often go untreated by lay-rescuers. One barrier to response is poor recognition. This study’s purpose is to describe OOHCA using publicly available videos.
 
 Materials and Methods
 
 26 of the internet’s most popular video-hosting and social media platforms were consecutively searched in English and Chinese August 3rd to January 20th, 2018 until each site returned 100 consecutive unrelated videos.
 
 Video inclusion required: i) medium to high definition video quality (>360p and >10 frames per second), ii) that cardiac arrest be confirmed from two sources (i.e. news, social media, etc.), iii) 100% reviewer agreement on pre-arrest and post-arrest signs, and iv) arrest have non-traumatic etiology.
 
 Results
 
 821 videos were identified; 165 videos met inclusion criteria and underwent content analysis. 68, victims (41%) exhibited pre-arrest signs: 34 (21%) had unsteady gait; 42 (26%) touched their head or neck; and 33 (20%) hip-flexed or squatted prior to collapse. After collapse, 97 (59%) exhibited signs of life such as agonal breathing (71, 43%) or posturing/convulsions (39, 24%).
 
 Most common lay-responses were: 38 (28%) victims were shaken, 28 (17%) received chest compression(s), 18 (11%) had their head held, 17 (10%) were unsuccessfully lifted to a standing position, 9 (5%) had their legs raised, and 5 (3%) had an AED applied.
 
 Discussion
 
 Analysis suggests three times as many victims of cardiac arrest show some signs of life compared to no signs of life, and that bystander response is poor. Publicly available videos offer rich examples of what OOCHA collapse and resuscitation look like and could inform training.
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 | 0,000 | 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 | 0,002 |
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 ».