Wait-times benchmarks for risk-based prioritization in transcatheter aortic valve implantation: a simulation study
Notice bibliographique
Résumé
BACKGROUND: Demand for transcatheter aortic valve implantation (TAVI) has increased in the last decade, resulting in prolonged wait-times and undesirable health outcomes in many health systems. Risk-based prioritization and wait-times benchmarks can improve equitable access to patients. METHODS AND RESULTS: We used simulation models to follow-up a synthetic population of 50 000 individuals from referral to completion of TAVI. Based on their risk of adverse events, patients could be classified as 'low-', 'medium-', and 'high-risk', and shorter wait-times were assigned for the higher risk groups. We assessed the impacts of the size and wait-times for each risk group on waitlist mortality, hospitalization, and urgent TAVIs. All scenarios had the same resource constraints, allowing us to explore the trade-offs between faster access for prioritized patients and deferred access for non-prioritized groups. Increasing the proportion of patients categorized as high-risk, and providing more rapid access to the higher-risk groups achieved the greatest reductions in mortality, hospitalizations and urgent TAVIs (relative reductions of up to 29%, 23%, and 38%, respectively). However, this occurs at the expense of excessive wait-times in the non-prioritized low-risk group (up to 25 weeks). We propose wait-times of up to 3 weeks for high-risk patients and 7 weeks for medium-risk patients. CONCLUSION: Prioritizing higher-risk patients with faster access leads to better health outcomes, however this also results in unacceptably long wait-times for the non-prioritized groups in settings with limited capacity. Decision-makers must be aware of these implications when developing and implementing waitlist prioritization strategies.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| 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 ».