Combinations of First Responder and Drone Delivery to Achieve 5-Minute AED Deployment in OHCA
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
Background: Defibrillation in the critical first minutes of out-of-hospital cardiac arrest (OHCA) can significantly improve survival. However, timely access to automated external defibrillators (AEDs) remains a barrier. Objectives: The authors estimated the impact of a statewide program for drone-delivered AEDs in North Carolina integrated into emergency medical service and first responder (FR) response for OHCA. Methods: Using Cardiac Arrest Registry to Enhance Survival registry data, we included 28,292 OHCA patients ≥18 years of age between 1 January 2013 and 31 December 2019 in 48 North Carolina counties. We estimated the improvement in response times (time from 9-1-1 call to AED arrival) achieved by 2 sequential interventions: 1) AEDs for all FRs; and 2) optimized placement of drones to maximize 5-minute AED arrival within each county. Interventions were evaluated with logistic regression models to estimate changes in initial shockable rhythm and survival. Results: Historical county-level median response times were 8.0 minutes (IQR: 7.0-9.0 minutes) with 16.5% of OHCAs having AED arrival times of <5 minutes (IQR: 11.2%-24.3%). Providing all FRs with AEDs improved median response to 7.0 minutes (IQR: 6.2-7.8 minutes) and increased OHCAs with <5-minute AED arrival to 22.3% (IQR: 16.4%-30.9%). Further incorporating optimized drone networks (326 drones across all 48 counties) improved median response to 4.8 minutes (IQR: 4.3-5.2 minutes) and OHCAs with <5-minute AED arrival to 56.3% (IQR: 46.9%-64.2%). Survival rates were estimated to increase by 34% for witnessed OHCAs with estimated drone arrival <5 minutes and ahead of FR and emergency medical service. Conclusions: Deployment of AEDs by FRs and optimized drone delivery can improve AED arrival times which may lead to improved clinical outcomes. Implementation studies are needed.
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 | 0,000 |
| 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 découle