A prospective cohort study of light transmission platelet aggregometry for bleeding disorders: Is testing native platelet-rich plasma non-inferior to testing platelet count adjusted samples?
Notice bibliographique
Résumé
Light transmission platelet aggregometry (LTA) is important to diagnose bleeding disorders. Experts recommend testing LTA with native (N) rather than platelet count adjusted (A) platelet-rich plasma (PRP), although it is unclear if this provides non-inferior, or superior, detection of bleeding disorders. Our goal was to determine if LTA with NPRP is non-inferior to LTA with APRP for bleeding disorder assessments. A prospective cohort of patients, referred for bleeding disorder testing, and healthy controls, were evaluated by LTA using common agonists, NPRP and APRP (adjusted to 250 x 10⁹ platelets/l). Recruitment continued until 40 controls and 40 patients with definite bleeding disorders were tested. Maximal aggregation (MA) data were assessed for the detection of abnormalities from bleeding disorders (all causes combined to limit bias), using sample-type specific reference intervals. Areas under receiver-operator curves (AUROC) were evaluated using pre-defined criteria (area differences: < 0.15 for non-inferiority, > 0 for superiority). Forty-four controls and 209 patients were evaluated. Chart reviews for 169 patients indicated 67 had bleeding disorders, 28 from inherited platelet secretion defects. Mean MA differences between NPRP and APRP were small for most agonists (ranges, controls: -3.3 to 5.8; patients: -3.0 to 13.7). With both samples, reduced MA with two or more agonists was associated with a bleeding disorder. AUROC differences between NPRP and APRP were small and indicated that NPRP were non-inferior to APRP for detecting bleeding disorders by LTA, whereas APRP met superiority criteria. Our study validates using either NPRP or APRP for LTA assessments of bleeding disorders.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 ».