Improving Patient Transfer Protocols for Regional Stroke Networks
Notice bibliographique
Résumé
Currently, stroke patients are transported to the nearest stroke center, following specific protocols. Yet, these protocols do not consider many factors, including the spatial variation in population density, the stroke’s severity, the time since stroke onset, and the congestion level at the receiving stroke center. We develop an analytical framework that enriches the stroke transport decision-making process by incorporating these factors. Our research contributes to the literature of stroke care systems by (i) developing the first analytical framework to determine the optimal primary hospital destination in a regional stroke network and (ii) comparing the impact of incorporating prehospital triaging on health outcomes. To this end, we develop an efficient reformulation for allocation problems with stochastic demand and multiserver system under congestion. We derive data-driven outcome prediction models embedded in mixed integer second-order cone programming formulation. Our framework is applied to two real-life cases: Montreal and Quebec City Stroke Networks. We show that adopting a triage strategy could lead to significantly improved health outcomes, where the magnitude of these improvements varies with the networks’ sizes and congestion levels. In the Montreal case, our proposed policy may increase the ratio of patients for therapeutic intervention eligibility by 12.5% while improving by 69% the number of patients with more than two days of emergency department boarding delays. Our results reveal that it is important to consider the network’s characteristics in making a decision for or against implementing a prehospital triage strategy. Finally, we propose a heuristic policy that provides a promising performance while also being easy to implement. This paper was accepted by Stefan Scholtes, healthcare management.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,005 | 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 ».