The presence of multiple prothrombotic risk factors is associated with a higher risk of thrombosis in individuals with anticardiolipin antibodies.
Notice bibliographique
Résumé
OBJECTIVE: To explore the effect of multiple prothrombotic risk factors in individuals with anticardiolipin antibodies (aCL), we evaluated immunologic, coagulation, and genetic prothrombotic abnormalities in a cohort of individuals with different aCL titers. METHODS: We recruited 87 individuals into 4 categories (normal, low, intermediate, or high) based on their baseline IgG aCL (aCL-IgG) titers. We measured at followup: repeat aCL-IgG, IgM aCL (aCL-IgM), antibodies to beta2-glycoprotein I (anti-beta2-GPI), lupus anticoagulant (LAC) antibodies, protein C, protein S, activated protein C resistance, factor V506 Leiden mutation, methyl tetrahydrofolate reductase (MTHFR) C677T genotype, and prothrombin 20210A gene mutation. Thrombotic events were confirmed. RESULTS: At recruitment, 20 individuals were negative for aCL-IgG and 67 were positive (22 low, 20 intermediate, and 25 high titer). Twenty of the 87 participants had experienced a previous thrombotic event: 4 in the aCL-IgG negative group and 16 in the aCL-IgG positive group. Among the 87 individuals, the number of those with concomitant prothrombotic risk factors was as follows: 5 had no other prothrombotic risk factors, 32 had 1 risk factor, 24 had 2 risk factors, 10 had 3 risk factors, 10 had 4 risk factors, and 6 had 5 risk factors. Thrombotic events were observed in 20%, 13%, 33%, 10%, 30%, and 50% of these groups, respectively, and the odds ratio associated with a previous thrombotic event was 1.46 per each additional prothrombotic risk factor (95% confidence interval: 1.003-2.134). CONCLUSION: In individuals with positive aCL-IgG, we observed an association between the number of prothrombotic risk factors and history of thrombotic events.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».