Workflow patterns and potential for optimization in endovascular stroke treatment across the world: results from a multinational survey
Notice bibliographique
Résumé
BACKGROUND: The benefit of endovascular treatment (EVT) is highly time-dependent, and treatment delays reduce patients' chances to achieve a good outcome. In this survey-based study, we aimed to evaluate current in-hospital EVT workflow characteristics across different countries and hospital settings, and to quantify the time-savings that could be achieved by optimizing particular workflow steps. METHODS: In a multinational survey, neurointerventionalists were asked to provide specific information about EVT workflows in their current working environment. Workflow characteristics were summarized using descriptive statistics and stratified by country and physician characteristics, such as age, career stage, personal and institutional caseload. RESULTS: Among 248 respondents from 48 countries, pre-notification of the neurointerventional team was used in 70% of cases. The emergency department (ED) and CT scanner, and the CT scanner and neuroangiography suite, were on different floors in 23% and 38%, respectively. Redundant procedures in the ED were often routinely performed, such as chest x-rays (in 6%). General anesthesia was the most frequently used anesthesia protocol for EVT (42%), and an anesthesiologist was available in 82% for this purpose. 52% of the participants used a pre-prepared EVT kit. CONCLUSION: The current structure of EVT workflows offers possibilities for improvement. While some bottlenecks, such as the spatial department set-up, cannot easily be resolved, pre-notification tools and pre-prepared EVT kits are more straightforward to implement and could help to reduce treatment delays, and thereby improve patient outcomes.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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 | 0,000 |
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 ».