A systematic review of computer simulation modelling methods in optimizing acute ischemic stroke treatment services
Notice bibliographique
Résumé
Background: The rapid and resource-intensive nature of acute ischemic stroke (AIS) treatment demands ongoing optimization. Simulation modeling offers an effective approach for investigating these complex systems by simulating care processes in a virtual environment, enabling outcomes evaluation without direct patient engagement. Objective: This systematic review identified and analyzed studies utilizing simulation modeling to optimize AIS treatment. We assessed the models and identified areas for improvement to inform future development of AIS care services simulation models. Methodology: The review spanned from 2012 to 2022 incorporating searches on PubMed, Medline, Google Scholar, and conducting a backward citation search. Data extraction included hospital information, care settings, data sources, inputs, outputs, simulation type, model type, and simulation features. Results: The review included 27 studies with 81.5% utilizing discrete-event simulation models. The primary focus was on service design (77.8%), optimizing care components across various stages: acute, stroke unit, rehabilitation, and post-acute. Cost analysis models (14.8%) showed benefits of strategies like expanding comprehensive stroke centers, centralizing thrombolysis facilities, and assessing thrombolysis use. Capacity planning models (7.4%) demonstrated advantages in bed increases and resource pooling between acute and rehabilitation settings. Although most studies transparently reported essential model elements, almost half did not report stakeholder and expert engagement. Nonetheless, the majority provided validation and verification details, aiding real-world implementation. Conclusions: 27 studies have used simulation modeling to optimize the AIS treatment workflow; however future studies should consider stringent reporting of model elements, enhanced stakeholder and expert engagement, reusable model development, and effective integration of model findings into real-world healthcare systems.
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 | 0,024 | 0,099 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,007 | 0,013 |
| Bibliométrie | 0,015 | 0,015 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».