Transient Ischemic Attack (TIA) Incidence with Geographic Information Systems (GIS) Mapping for Stroke Prevention Interventions
Notice bibliographique
Résumé
OBJECTIVES: GIS mapping as a public health tool has been increasingly applied to chronic disease control. While evaluating TIA incidence from an existing regional stroke registry in Ludhiana city, India, we aim to apply the innovative concept of regional TIA GIS mapping for planning targeted stroke prevention interventions. METHODS: TIA patient data was obtained from hospitals, scan centers and general practitioners from March 2010 to March 2013 using WHO-Stroke STEPS based surveillance as part of establishing a population-based stroke registry in Ludhiana city. From this registry, patients with TIA (diagnosed by MRI image-based stroke rule-out, or clinically) were chosen and data analyzed. RESULTS: A total of 138 TIA patients were included in the final analysis. The annual TIA incidence rate for Ludhiana city was 7.13/100,000 (95% confidence interval: 5.52 to 8.74) for 2012-2013. Mean age was 58.5 ± 13.9 years (range: 22-88 years) and 87 (63%) were men. Majority of the TIA cases had anterior circulation TIAs. Hypertension (87.4%) was the most common risk factor. Using Geographic Information System (GIS) mapping, high TIA incidence was seen in central, western, and southern parts and clustering of TIA cumulative incidence was seen in the central part of Ludhiana city. CONCLUSION: Incidence rate of TIA was lower than that expected from a low- and middle-income country (LMIC). TIA GIS mapping, looking at regional localization, can be a novel option for developing targeted, cost-effective stroke prevention programs.
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 ».