Discrete event simulation model of an acute stroke treatment process at a comprehensive stroke center: Determining the ideal improvement strategies for reducing treatment times
Notice bibliographique
Résumé
BACKGROUND: Fast treatment is crucial for ischemic stroke patients; the probability of good patient outcomes increases with faster treatment. Treatment times can be improved by making changes to the treatment process. However, it is challenging to identify the benefits of changes prior to implementation. Simulation modelling, which mimics the treatment process, can be used to evaluate changes without patient involvement. This study models the acute stroke treatment process using discrete event simulation (DES) and identifies improvement strategies to reduce treatment times. METHOD: The model was developed for a comprehensive stroke center in Nova Scotia, using Python. All treatment pathways and sub-tasks were identified via an observational time and motion study conducted in the center. Nine process change scenarios were tested individually and in combinations. The primary outcome measures were door-to-CT time (DTCT), door-to-needle time (DNT), and door-to-groin puncture time (DGPT). The model simulated 500 patients 30 times. RESULTS: Collecting patient history on the way to the radiology department (rather than in ED) showed the highest reduction among individual scenarios for DTCT (14.2 vs 12.4 min, p < 0.001). Combining all scenarios in the door-to-CT process resulted in a reduction of the DTCT by approximately 28 %. Thrombolysing patients in the imaging department's waiting area resulted in the lowest DNT (39.4 vs 34.8 min, p < 0.001) among all individual scenarios. The highest reduction in DGPT, among all individual scenarios, was achieved by implementing Rapid angiosuite preparation (67.7 vs 51.4 min, p < 0.001). The combinations of all scenarios resulted in the lowest DTCT (14.2 vs 10.1 min, p < 0.001), DNT (39.4 vs 23.0 min, p < 0.001), and DGPT (67.9 vs 38.5 min, p < 0.001). CONCLUSIONS: The study identified various improvement strategies in the acute stroke treatment process through a discrete-event simulation model. Combining all scenarios resulted in significant reductions for all outcome measures.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 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 ».