Abstract TMP49: Social Network Simulation Identifies Persistent Racial Disparities of Delay to Hospital in Acute Ischemic Stroke Patients
Notice bibliographique
Résumé
Introduction: Delayed arrival to the hospital remains the major reason for non-use of stroke therapies. Minority patients have longer delays that have not been adequately understood nor acted upon. Social context plays a key role, because most strokes occur in front of witnesses who influence decision-making. We created a social network simulation to understand the interpersonal factors that influence decision-making, particularly in minority patients. Methods: We developed an agent-based computer simulation of individual traits and social contextual factors that contribute to decision-making. The inputs into this parsimonious model were based on the largest empirical studies (e.g., Get With The Guidelines) and included: stroke severity, use of Emergency Medical Services (EMS), race, and social network size. The model outputs were the number of stroke patients who arrived at the hospital early (≤3 hours) and late (>3 hours). For each run of the model, 1,000 stroke patients decided to go to the hospital early or late based on individual and social contextual factors. Two sample t-tests were used to compare means between white and non-white patients. Results: In 1.03 million simulations, the model reproduced observed population trends of delay. The overall mean percent of early arrivers was 25.2% (SD 0.02), which matched national metrics showing good calibration of the model. Race predicted delay and modified the relationship of the main effects. 17.9% of non-white patients arrived early compared to 28.3% white patients (p<0.0001) (Fig 1-A). 17.6% of non-white patients with moderate strokes arrived early compared to 39.8% of white patients (p<0.0001) (Fig 1-B). 18.8% of non-white patients with a social network size of 10 arrived early compared to 31.5% of white patients (p<0.0001) (Fig 1-C). Conclusion: A social network simulation reproduced persistent racial disparities of delayed arrival allowing for novel interventions to be tested on this platform.
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 | 0,002 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 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 ».