Applying Neuroeconomic Principles to Stroke Care: Bridging Evidence to Practice
Notice bibliographique
Résumé
Over the past 10 years, stroke care has seen remarkable technological and pharmacological breakthroughs-ranging from advanced thrombectomy devices and streamlined thrombolytic therapies like tenecteplase to artificial intelligence-powered imaging and rehabilitation tools. Yet adoptions remain uneven due to fragmented systems, low adherence, and inconsistent implementation. To overcome these barriers, neuroeconomics-a multifaceted integration of neuroscience, behavioral economics, psychology, and clinical medicine-sharpens decision-making under uncertainty and drives sustained behavior change. Behavioral economics offers a toolkit of low-cost, scalable interventions-nudges, default options, framing effects, commitment devices, incentives, gamification, and social-norm feedback-that can be woven into every phase of stroke management. Embedding preselected treatment orders in electronic health records, default-scheduling follow-up appointments, and delivering tailored digital reminders have all boosted adherence to medications, rehabilitation exercises, and preventive measures. Financial rewards and community-based feedback loops have improved both clinicians' prescribing habits and patient self-management. Early pilot programs demonstrate that even small tweaks in workflow or choice architecture can yield outsized improvements in timely reperfusion, secondary prevention uptake, and long-term outcomes. By embedding evidence-based interventions directly into care decisions, the integration of neuroeconomic principles helps bridge the gap between scientific innovation and its transformative impact on patient outcomes.
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 | 0,027 | 0,089 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,002 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».