Ischemic Stroke Management in India: Insights from the Indian Registry of Stroke Care Quality
Notice bibliographique
Résumé
INTRODUCTION: The quality of stroke care in India is unknown. This multicentric study from the Indian Registry of Stroke Care Quality (RES-Q) provides prospectively entered stroke data from 46 stroke centers across the country. We analyzed demographics, therapeutic interventions, quality metrics, and functional outcomes of ischemic stroke from India. METHODS: It was an analysis of prospectively entered data into the RES-Q from 2022 to 2024. The inclusion criteria were patients ≥18 years of age with an acute ischemic stroke or transient ischemic attack based on the AHA/ASA 2019 criteria within 2 weeks of stroke onset. All demographic, clinical, and radiological details were entered into a predesigned proforma. All quality and performance measures in the hospital were collected. RESULTS: Approximately 80% of all strokes (n = 7,337) during the study period were ischemic. The median age was 61 years (interquartile range [IQR] 52-71), with 67% being male. The median National Institute of Health Stroke Scale at admission was 7 (IQR 4-12). Brain parenchymal imaging was done for all patients, but vascular imaging was performed for 60% of patients only. The thrombolysis rate was 32% with a median door-to-needle time of 37 min. Endovascular thrombectomy was performed in 6.5% of cases. Swallowing assessment was done in 72% of patients within 24 h of admission and 90% received physiotherapy in the stroke unit. CONCLUSION: This landmark dataset marks the first comprehensive nationwide effort to assess stroke care quality in India. Routine quality monitoring through platforms like RES-Q can help standardize care, reduce disparities, and enable hospitals to benchmark performance and implement targeted improvements.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».