Abstract 244: Accelerating AED Use In Out-of-Hospital Cardiac Arrest With Combinations Of First Responder And Drone Delivery To Achieve 5-minute AED Deployment
Notice bibliographique
Résumé
Background: Defibrillation in the critical first minutes of out-of-hospital cardiac arrests (OHCAs) can significantly improve survival rates but getting timely access to AEDs is a major barrier. We estimated the potential of a statewide program for drone-delivered AEDs in North Carolina (NC) when integrated into EMS response that includes police and fire first responders (FR). Methods: Using CARES registry data, we included all patients >18 years with OHCA occurring between 1/1/2013-12/31/2019 in 44 NC counties. We determined the improvement in AED arrival time by providing AEDs to all FR, who routinely arrive earlier than EMS but currently may not have an AED. We developed mathematical models to place drones within each county to achieve 5-min AED arrival times for 75% of OHCAs in each county. We predicted ambulance response times and resulting drone dispatch decisions using linear regression. Models were trained using 2013-2018 OHCA data and were validated with 2019 data. Mean response times were compared with historical response using the Wilcoxon signed-rank test. Results: We identified 27,199 OHCAs with historical median county-level response times of 6.7 [IQR: 5.9-7.5 mins]. Providing all FR with AEDs reduced response times to 5.9 [IQR: 5.3-6.9] mins and increased OHCAs with AED arrival times of <5 min to 35.6% [IQR: 26.1-43.4%]. Mathematical models estimated that 273 optimally located drones across the 44 counties would reduce response times for out-of-sample OHCAs to 3.7 [IQR: 3.4-3.9] mins and increase OHCAs with AED arrival times of <5 min to 73.0% [IQR: 65.4-78.8%]. The drone network improved response times (p<0.05) compared to historical response times in 43 out of 44 counties. Conclusion: Full deployment of AEDs by FR plus optimized drone AED delivery was estimated to significantly improve response times based on historical patterns of OHCA in NC. The number of drones and their impact varies across counties based on OHCA incidence rates and population density.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».