Improving the management of acute myocardial infarctions: There's an App for that
Notice bibliographique
Résumé
Background ST-Elevation Myocardial Infarction (STEMI) is a critical emergency. Managing care requires accurate diagnosis, shared communication between decision-makers, and timely transport and reperfusion at a hospital with capacity for such interventions. This study examines the implementation of a smartphone application (SMART AMI-ACS App) to facilitate real-time ECG sharing, enhancing communication and decision-making in STEMI management. Methods This multi-centre study evaluated the implementation, acceptability and uptake of the App among interventional cardiologists and emergency medicine (EM) physicians managing suspected STEMI patients between April 1st 2022 and March 31st 2023. Guided by the Reach, Effectiveness, Adoption, Implementation, Maintenance (RE-AIM) framework, STEMI registry data and post-implementation surveys from a large regional cardiac centre and its 13 partner emergency departments in Ontario, Canada, were used to assess App uptake and effectiveness. Results During the 12-month evaluation 254 (84 %) of the eligible 300 regional EM physicians downloaded the App, with > 1400 ECG images sent from 724 patients. Users reported the App helped in communication and timing of care. No degradation of ECG images was observed. App use was associated with lower door-in-door-out (DIDO) times 48 min (IQR 31–67) vs 55 min (IQR 39–77) and lower proportion of non-STEMI cases accepted to interventional cardiology (22 % vs 39 %, p < 0.0001). Conclusion Uptake of the SMART AMI-ACS App was positive and may be associated with lower non-STEMI cases and lower DIDO times. The App provided a secure channel for communication of information and point-of-care transfer of images across healthcare providers. Uptake of the App has expanded to other regions.
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 | 0,012 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».