Abstract 43: Race-Ethnic Specific Trends in Stroke Thrombolysis Care Metrics in Relation to U.S. Target: Stroke Nationwide Quality Improvement Program 2003-2021
Notice bibliographique
Résumé
Objectives: To examine whether thrombolysis care metrics have improved in all races and ethnicities with the launch and advance of Target: Stroke (TS) national quality initiatives. Methods: This cohort study included patients presenting to Get With The Guidelines (GWTG)-Stroke participating hospitals within 4.5 hours of ischemic stroke onset from 2003 to 2021. Thrombolysis rates and speed of treatment during TS phase I (2010-2013), II (2014-2018), and III (2019-2021) were compared with the pre-TS period (2003-2009). Results: Among all the patients with ischemic stroke, Asian, Black, and Hispanic individuals, compared with White, were significantly more likely to present after the 4.5-hour thrombolysis treatment window (Figure/Panel A and B). Among the 1,182,182 patients arriving within 4.5 hours, 33,375 were Asian, 180,315 Black, 86,831 Hispanic, and 881,661 White. Unadjusted rates of thrombolysis treatment increased in all race-ethnic groups from 2003 to 2021 (Figure/Panel C) with no significant disparities. Disparities were evident in adjusted analyses (Figure/Panel D) and persisted in TS:III when, compared with White patients, Asian, Black, and Hispanic patients had significantly lower odds of receiving thrombolysis (0.85, 0.76, and 0.86) (all p values<0.05). Door-to-needle (DTN) times significantly improved in all race-ethnic groups during TS (Figure/Panel E). However, compared with White patients, Asian, Black, and Hispanic patients had significantly lower odds of DTN≤60 minutes (Figure/Panel F) which persisted in TS:III (adjusted OR 0.91, 0.78, and 0.87) (all p values<0.05). Conclusion: Target: Stroke was associated with substantial improvement in thrombolysis frequency and timeliness for all races and ethnicities, but disparities persisted after risk adjustment. Further stroke system of care and health equity interventions should focus on early hospital arrival and quality reporting of risk-adjusted care metrics by race-ethnicity.
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 | 0,002 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».