Using ECG-To-Activation Time to Assess Emergency Physicians’ Diagnostic Time for Acute Coronary Occlusion
Notice bibliographique
Résumé
BACKGROUND: There is no quality metric for emergency physicians' diagnostic time for acute coronary occlusion. OBJECTIVE: We sought to quantify diagnostic time associated with automated interpretation, classic ST-elevation myocardial infarction (STEMI) criteria, STEMI-equivalents, and subtle occlusions, using electrocardiogram (ECG)-to-activation of catheterization laboratory time. METHODS: This multicenter retrospective study reviewed all code STEMI patients from the emergency department (ED) with confirmed culprit lesions from January 2016 to December 2018. We measured door-to-ECG (DTE) time and ECG-to-activation (ETA) time. We examined the first ED ECGs to determine whether automated interpretation labeled "STEMI," and they met classic STEMI criteria, STEMI-equivalents, or rules for subtle occlusion. ECG analysis was performed by two emergency physicians blinded to clinical scenario, automated interpretation, and angiographic outcome. RESULTS: There were 177 code STEMIs with culprit lesions, with a median DTE time of 9.0 min and a median ETA time of 16.0 min. Automated interpretation labeled 55.4% of first ECGs "STEMI" (ETA 6.5 min) and 44.6% not "STEMI" (ETA 66 min, p < 0.0001). Of first ECGs, 63.8% met classic STEMI criteria (ETA 8.0 min), 8.5% had STEMI-equivalents (ETA 32.0 min, p = 0.0026), 16.4% had subtle occlusions (ETA 89.0 min, p = 0.045), and 11.3% had no diagnostic sign of occlusion (ETA 68.0 min, p = 0.20). CONCLUSIONS: STEMI criteria missed more than one-third of occlusions on first ECG, but most had STEMI-equivalents or rules for subtle occlusion. ETA time can serve as a quality metric for emergency physicians to promote new ECG insights and assess quality improvement initiatives.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,010 | 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 ».