Reducing Delay to Treatment of ST-Elevation Myocardial Infarction With Software Electrocardiographic Interpretation and Transmission (SCINET)
Notice bibliographique
Résumé
BACKGROUND: Prehospital diagnosis of ST-elevation myocardial infarction (STEMI) has resulted in improved outcomes. However, many patients still walk in to the emergency department (ED) with STEMI, experiencing delays and worse outcomes. Software electrocardiogram (ECG) diagnosis of STEMI and electronic transmission to a cardiologist may result in improved door-to-device (D2D) times. METHODS: We retrospectively identified all patients presenting with STEMI from January 2015 to September 2016. Components of delay in D2D, ED variables, and the patients' ECGs were extracted from our regional database. All ECGs performed for suspected myocardial infarction in the region were extracted over the study period. We assessed the accuracy of the software 12SL in diagnosing STEMI, ED contributors to delays in D2D, and the potential reduction in D2D if software diagnosis of STEMI resulted in activation of the cardiac catheterization laboratory. RESULTS: A total of 379 patients presented to an ED in our region and received primary percutaneous coronary intervention over the study period. In the 143,574 ECGs performed over the study period for suspected STEMI, the overall sensitivity and specificity of 12SL were 90.5% and 99.98%, respectively. We estimated a potential 17-minute reduction in D2D in the 90.5% of patients correctly identified as having STEMI, with a false activation rate of 4%. Female patients and older patients experienced an even larger potential benefit, with 24- and 25-minute reductions in D2D, respectively. CONCLUSIONS: Patients who walk in to an ED with STEMI experience significant system-related delays in recognition and treatment. Automated software diagnosis of STEMI is accurate and could result in significant improvements in D2D times.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».