Healthcare Resource Utilization in the Three Months after Acute Stroke: A Report on 1604 Patients from the Glycine Antagonist in Neuroprotection (GAIN) Americas Trial
Notice bibliographique
Résumé
P226 Background/objective: Data on healthcare resource utilization (RU) in acute stroke will assist in evaluation of cost-efficacy and cost-effectiveness of new treatments. We present results of a substudy of resource utilization within GAIN Americas, a multi-center, randomized, placebo-controlled, phase 3 clinical trial of the glycine antagonist GV150526 in acute stroke, conducted in the US and Canada. Previously reported clinical results showed no difference in clinical outcome by treatment at 3 months. Methods: RU data included pre-stroke and Month 3 residence and employment status, hospital length of stay (LOS) by ward type, discharge destination, and outpatient rehabilitation services. There were no treatment differences on RU endpoints, so data were combined across treatment groups. Results: The study population comprised 1604 acute stroke patients (85% ischemic; median age: 72; female: 48%; median NIHSS score: 12). Case fatality was 13% in hospital, 21% by Month 3. Median hospital LOS was 9 days (mean=15), including 3 days (mean = 4.5) in intensive care and 4.5 days (mean=6.8) in step-down. Discharge destinations included rehabilitation facility (49%), home (27%) and nursing home (11%). Pre-stroke, 87% lived in own home, but at 3 months only 62% lived at home. Outpatient rehabilitation services included occupational therapy (31%), physical therapy (39%), speech therapy (20%) and psychotherapy (2%). Pre-stroke, 21% were employed full- or part-time; at Month 3, 6% were employed. Of those employed pre-stroke, 60% reported being unable to work for health reasons at Month 3. Conclusion: These data describe the social and economic burden of stroke in a well-defined cohort. Such information should be valuable to care providers at many levels of the healthcare system and to health outcomes researchers. Prospective collection of detailed RU data from a large clinical trial is feasible and worthwhile.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».