Rates of venous thromboembolism occurrence in medical patients among the insured population
Notice bibliographique
Résumé
The burden of venous thromboembolism (VTE) remains high in the United States (US). This study assesses the rate of VTE prophylaxis in a large real-world population of medically ill patients and identifies factors which confer VTE risk to this population. Discharges from the PharMetrics database were included if they were aged > or =40 years and had a hospitalisation claim (Jan 2001-Dec 2005) for cancer, congestive heart failure (CHF), severe infectious disease (SID), or lung disease. Discharges with incomplete records in the prior year to the index hospitalisation claim date were excluded. VTE rate, type (deep venous thrombosis [DVT] or pulmonary embolism [PE]), and time to VTE were compared between groups. Multivariate logistic regression analysis was used to identify independent predictors of VTE occurrence. A total of 158,325 patients were included in the study. Cancer patients had the highest incidence of VTE (7.6%), with the average for all patients being 5.6% (1.5% PE). VTE occurred most frequently post discharge, with the median time being 74 days. Post-discharge prophylaxis was provided to 13.1% of CHF patients and < 5% of all other patients. Independent predictors of VTE included a pre-index VTE (odds ratio [OR] 9.06, 95% confidence interval [CI] 8.28-9.91) and a primary diagnosis of cancer compared with a diagnosis of SID (OR 1.34, 95% CI 1.24-1.46). In conclusion, commercially insured medical patients in the US are at high risk of VTE following hospital discharge. One-quarter of medical patients who developed a VTE are at high risk of developing the more severe form of the disease, namely PE, with independent predictors of VTE in the post-discharge period including previous VTE and cancer.
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 | 0,000 | 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 ».