Modeling optimal patient transport in a stroke network capable of remote telerobotic endovascular therapy
Notice bibliographique
Résumé
BACKGROUND: Telerobotic endovascular therapy (EVT) has the potential to decrease time to treatment and expand existing networks of care to more rural populations. It is currently unclear how its implementation would impact existing stroke networks. METHODS: Conditional probability models were generated to predict the probability of excellent outcome for patients with suspected large vessel occlusion (LVO). A baseline stroke network was created for California using existing intravenous thrombolysis (IVT) centers and comprehensive stroke centers (CSCs) capable of IVT and EVT. Optimal transport decisions and catchment areas were generated for the baseline model and three hypothetical scenarios through conversion of IVT centers at various distances from a CSC into centers capable of telerobotic EVT [i.e., hospitals ≥15 and <50 miles from a CSC were converted (Scenario 1), ≥50 and <100 miles (Scenario 2), and ≥100 miles (Scenario 3)]. Procedural times and success rates were varied systematically. RESULTS: Telerobotic EVT centers decreased median travel time for LVO patients in all three scenarios. The estimated number of robotically treated LVOs per year in Scenarios 1, 2, and 3 were 2,172, 740, and 212, respectively. Scenario 1 (15-50 miles) was the most sensitive to robotic time delay and success rate, but all three scenarios were more sensitive to decreases in procedural success rate compared to time delay. CONCLUSIONS: Telerobotic EVT has the potential to improve care for stroke patients outside of major urban centers. Compared to procedural time delays in robotic EVT, a decrease in procedural success rate would not be well tolerated.
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) | 0,001 | 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 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 ».