Door to Puncture in Large Vessel Occlusions Pre‐ and Postimplementation of an Automated Image Interpretation and Communication Platform: A Single Center Study
Notice bibliographique
Résumé
Background Artificial intelligence platforms, like Viz.ai with large vessel occlusion detection, have been used for disease detection and interprovider communication. Whether this software expedites patient transfer and evaluation for treatment needs further exploration. Methods A single‐center retrospective registry was queried for patients with acute large vessel occlusion of the intracranial internal carotid, middle cerebral M1 or M2 segments, or basilar artery treated in a comprehensive stroke network (8 spokes, 1 hub) for 6 months pre‐ and post‐implementation of the Viz large vessel occlusion platform (excluding a 1‐month “washout” period). Robust regression was used to summarize time from initial hospital contact to arterial puncture (primary outcome) between periods, with prespecified subgroup analyses, which were assessed using interaction terms. Results Of the 132 patients (n = 58 preintervention), there were nonsignificantly fewer patients undergoing endovascular therapy in the postintervention period (86.2% preintervention versus 73.0% postintervention; P = 0.07). Among patients who underwent endovascular therapy (n = 50 preintervention, n = 54 postintervention), there was a nonsignificant reduction in time from first contact to arterial puncture (median 155 minute preintervention versus 116 minute postintervention; P = 0.10); however, this became significant in adjusted robust regression accounting for stroke severity, age, Alberta Stroke Program Early Computed Tomography Scale score, daytime versus nighttime and weekend versus weekday arrival, and use of perfusion imaging (β −20.9 [95% CI, −40.5 to −1.4)]. There was also a significant interaction observed for the association between spoke versus hub arrival and the Viz large vessel occlusion period, with shorter intervals observed for transferred patients (n = 32 preintervention with a median of 169 versus 142 minutes for n = 33 postintervention; P interaction <0.01). Conclusion Implementation of the artificial intelligence platform was not associated with shorter intervals between initial hospital contact and neurointervention among all‐comers. A meaningful difference in time to treatment was observed among transferred patients. Larger data sets are needed to validate these observations.
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) | 0,000 | 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 ».