Bayesian modeling framework for optimizing pre-hospital stroke triage decisions
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Ischemic stroke is responsible for significant morbidity and mortality in the United States and worldwide. Stroke treatment optimization requires emergency medical personnel to make rapid triage decisions concerning destination hospitals that may differ in their ability to provide highly time-sensitive pharmaceutical and surgical interventions. These decisions are particularly crucial in rural areas, where transport decisions can have a large impact on treatment times - often involving a trade-off between delay in pharmaceutical therapy or a delay in endovascular thrombectomy. In this work, we explore a Bayesian modeling framework to address this decision-making process, showing how these techniques may be used to fully account for diagnostic and therapeutic uncertainty. We demonstrate how these techniques can contextualize triage decision at a fine-grained spatial scale. We further show the application of this modeling approach in the US State of Iowa, using data from the Virtual International Stroke Trials Archive (VISTA), and describe potential next steps for improved triage. ABBREVIATION LVO: large vessel occlusion; non-LVO, non-large vessel occlusion; IVT: intravenous tissue plasminogen activator; EVT: endovascular thrombectomy; CSC: comprehensive stroke centers; PSC: primary stroke centers; DS: drip and ship; MS, mothership; EMS: Emergency Medical Service; BGLM: Bayesian Generalized Linear Model; BGAM: Bayesian Generalized Additive Model; BART: Bayesian Additive Regression Trees; VISTA: Virtual International Stroke Trials Archive; NIHSS: National Institute of Health Stroke Severity Scale; ASPECTS: Alberta Stroke Programme Early CT Score; mRS, modified Rankin score; ROCAUC: Area under the receiver operating characteristic curve; ELPD: Expected Log pointwise Predictive Density; SE: Standard Error; ICA: Internal Carotid Artery; M1: Middle Cerebral Artery segment 1; M2: Middle Cerebral Artery segment 2; TIA: Transient Ischemic Attack; Cr-I: Credible Intervals; LKW: Last Known Well.
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.
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 | 0,001 |
| 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 | 0,001 |
| 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 découle