Avaliação do Impacto da Implantação de um Sistema de Ambulância Pré-Hospitalar sobre Mortalidade por Infarto Agudo do Miocárdio em um País em Desenvolvimento
Notice bibliographique
Résumé
BACKGROUND: The effective management of patients with acute myocardial infarction (AMI) is time-dependent. OBJECTIVES: To assess the impacts of the implementation of prehospital care on admission rates and mortality associated with AMI. METHODS: Retrospective, ecological study, which assessed data from the Brazilian Universal Health System, from all 853 municipalities of Minas Gerais, from 2008 to 2016. Excessive skewness of general and in-hospital mortality rates was smoothed using the empirical Bayes method. This study assessed the relationship between Mobile Emergency Care Service (SAMU) in each municipality and the following 3 outcomes: mortality rate due to AMI, AMI in-hospital mortality, and AMI hospitalization rate, using the Poisson hierarchical model. Rates were corrected by age structure and detrended by seasonality and temporal influences. A confidence interval of 95% was adopted. RESULTS: AMI mortality rates decreased throughout the study, on average 2% per year, with seasonal variation. AMI in-hospital mortality also showed a decreasing trend, from 13.81% in 2008 to 11.43% in 2016. SAMU implementation was associated with decreased AMI mortality (odds ratio [OR] = 0.967, 95% confidence interval [CI] 0.936 to 0.998) and AMI in-hospital mortality (OR = 0.914, 95% CI 0.845 to 0.986), with no relation with hospitalizations (OR = 1.003, 95% CI 0.927 to 1.083). CONCLUSION: SAMU implementation was associated with a modest but significant decrease in AMI in-hospital mortality. This finding reinforces the key role of prehospital care in AMI care and the need for investments on this service to improve clinical outcomes in low- and middle-income countries.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».