The Risk-Benefit Profile of Aprotinin Versus Tranexamic Acid in Cardiac Surgery
Notice bibliographique
Résumé
BACKGROUND: Aprotinin is superior to other antifibrinolytic drugs for preventing major blood loss after cardiac surgery but may also increase perioperative mortality. It remains unclear whether its risk-benefit profile differs among low-, moderate-, and high-risk cardiac surgical patients. METHODS: In this retrospective single-center cohort study, we included 15,365 patients who underwent cardiac surgery with cardiopulmonary bypass from 2000 to 2008. Of these, 1017 received aprotinin (6 x 10(6) U) and 14,358 received tranexamic acid (50-100 mg/kg). Propensity score methods were used to create a matched-pairs cohort (n = 1544) that adjusted for important between-group differences. The influence of patients' risk status on aprotinin's association with in-hospital mortality, morbidity, and blood loss was measured. RESULTS: In the matched set, aprotinin was only associated with increased acute kidney injury (> 50% decrease in estimated glomerular filtration or dialysis; odds ratio 1.5; 95% confidence interval [CI] 1.1-2.1). Patients' risk status significantly influenced the associations of aprotinin with mortality, acute kidney injury, and massive blood loss (transfusion of > or = 10 U of red blood cells or need for surgical reexploration). Among high-risk patients, the respective odds ratios were 0.6 (CI 0.3-1.0), 1.1 (CI 0.7-1.7), and 0.7 (CI 0.4-1.04), and among low- to moderate-risk patients, they were 1.5 (CI 0.9-2.7), 2.2 (CI 1.4-3.5), and 1.2 (CI 0.9-1.07) (Breslow-Day test for homogeneity of odds ratios between high-risk versus low- to moderate-risk patients: P < 0.05 for all 3 outcomes). CONCLUSIONS: Aprotinin tends to have a better risk-benefit profile than tranexamic acid in high-risk, but not low- to moderate-risk, patients. Its use in high-risk cases may therefore be warranted.
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 | 0,001 | 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 | 0,000 | 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 ».