A data envelopment analysis model for optimizing transfer time of ischemic stroke patients under endovascular thrombectomy
Notice bibliographique
Résumé
This study applies Data Envelopment Analysis (DEA) to optimize transfer times and futile transfers of eligible ischemic stroke patients receiving Endovascular Thrombosis (EVT) in Primary Stroke Centers (PSC) in Nova Scotia. The study aims to assess healthcare delivery in Nova Scotia over two periods. It seeks to improve stroke care for rural populations by examining nine inputs, including age and distance between PSCs and the Comprehensive Stroke Centre (CSC) that provided EVT treatment, concerning a single output variable: whether EVT is performed or not. In the first phase, 115 patients were treated as Decision-Making Units (DMUs) for ten PSCs by applying an input-oriented Variable Returns to Scale (VRS) assisted by super-efficiency analysis using the Python-based PyDEA tool. This tool is known for its unrestricted capacity to handle DMUs, inputs, and outputs. In the second phase, eight PSCs with low patient numbers were merged into four DMUs, each consisting of two PSCs. These two merged PSCs have limited patients, and the selected PSCs are also geographically close. Two PSCs have been kept separate because they had sufficient patient volume. In the first phase, VRS generated more reasonable efficiency scores for evaluation, while in the second phase, Constant Returns to Scale (CRS) outperformed VRS, yielding better results. In the initial stage of the second phase, ten PSCs were considered as six DMUs using the input-oriented CRS and VRS for 115 patients. Super-efficiency measures were applied in this stage to improve the evaluation process further. In the second part of the second phase, a comparison between the first period (2018–2019) and the second period (2020–2021) was conducted using the Malmquist Productivity Index (MPI), considering CRS and VRS to evaluate the relative efficiency and productivity change of six DMUs over time. • Use data envelopment analysis (DEA) to optimize stroke patient transfer times under endovascular thrombectomy. • Examine 115 patients who attended ten primary stroke centers by variable returns to scale and super efficiency. • Merge stroke centers into four decision-making units using constant returns to scale. • Assess the impact of geographic proximity on efficiency and the Malmquist productivity index over time. • Use Python DEA (PyDEA) and performance improvement management DEA (PIM-DEA) to refine the evaluation.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».