Stroke Treatment Delay Limits Outcome After Mechanical Thrombectomy: Stratification by Arrival Time and ASPECTS
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: Mechanical thrombectomy (MT) has helped many patients achieve functional independence. The effect of time-to-treatment based in specific epochs and as related to Alberta Stroke Program Early CT Score (ASPECTS) has not been established. The goal of the study was to evaluate the association between last known normal (LKN)-to-puncture time and good functional outcome. METHODS: We conducted a retrospective cohort study of prospectively collected acute ischemic stroke patients undergoing MT for large vessel occlusion. We used binary logistic regression models adjusted for age, Modified Treatment in Cerebral Ischemia score, initial National Institutes of Health Stroke Scale, and noncontrast CT ASPECTS to assess the association between LKN-to-puncture time and favorable outcome defined as Modified Rankin Score 0-2 on discharge. RESULTS: Among 421 patients, 328 were included in analysis. Increased LKN-to-puncture time was associated with decreased probability of good functional outcome (adjusted odds ratio [aOR] ratio per 15-minute delay = .98; 95% confidence interval [CI], .97-.99; P = .001). This was especially true when LKN-puncture time was 0-6 hours (aOR per 15-minute delay = .94; 95% CI, .89-.99; P = .05) or ASPECTS 8-10 (aOR = .98; 95% CI, .97-.99; P = .002) as opposed to when LKN-puncture time was 6-24 hours (aOR per 15-minute delay = .99; 95% CI, .97-1.00; P = .16) and ASPECTS <8 (aOR = .98; 95% CI, .93-1.03; P = .37). CONCLUSION: Decreased LKN-groin puncture time improves outcome particularly in those with good ASPECTS presenting within 6 hours. Strategies to decrease reperfusion times should be investigated, particularly in those in the early time window and with good ASPECTS.
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 | 0,000 |
| 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 ».