Abstract 105: Rural-Urban Differences for Integrated First Responder and Drone Automated External Defibrillator Delivery in North Carolina
Notice bibliographique
Résumé
Background: Early defibrillation for out-of-hospital cardiac arrest (OHCA) can improve survival significantly, but timely access to AEDs remains a barrier especially in rural areas. We analyzed whether differences exist between urban and rural areas for a proposed program of first responder (FR) and drone AED delivery in North Carolina. Methods: Using CARES registry data, we identified OHCAs in 48 counties between Jan. 2013-Dec. 2019. We applied a hypothetical intervention in which 1) all FRs were provided AEDs and 2) a network of AED-carrying drones was optimized within each county to maximize <5-minute response times (defined as the interval from 9-1-1 call receipt to arrival of an AED via EMS, FR, or drone). Within each county, we classified census tracts by rural population with <25% as urban, 25-75% as mixed, and >75% as rural. We included only counties with ≥10 OHCAs per year in both rural and urban census tracts to compare resource allocation for counties with large geographic variation. Historical and intervention response times stratified by rurality were compared via the Wilcoxon signed-rank test. Results: We included 19 counties and 8,955 OHCAs (5,754 urban, 3,201 rural). The historical median response time was 6.9 mins [IQR: 5.1-8.7] in urban census tracts and 9.4 mins [IQR: 7.0-12.1] in rural tracts. The FR + drone intervention reduced estimated median response times by 42% to 4.0 mins [IQR: 3.1-5.0] in urban areas and by 24% to 7.1 mins [IQR: 5.2-9.4] in rural areas. Five-minute coverage improved from 24% to 77% for urban areas and 10% to 23% for rural areas. All counties showed significant improvement in response time for both urban and rural populations (p<0.01). Conclusion: Deployment of AEDs by FR and drones optimized for 5-minute coverage was estimated to improve AED response more so in urban areas than rural areas. Other optimization parameters are needed to reduce inequality between urban and rural response times in areas with large geographic variation.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».