Bleeding in Patients Undergoing Percutaneous Coronary Intervention
Notice bibliographique
Résumé
BACKGROUND: Bleeding in patients undergoing percutaneous coronary intervention (PCI) is associated with increased morbidity, mortality, length of hospitalization, and cost. We identified baseline clinical characteristics associated with bleeding complications after PCI and developed a simplified, clinically useful algorithm to predict patient risk. METHODS AND RESULTS: Data were analyzed from 302 152 PCI procedures performed at 440 US centers participating in the National Cardiovascular Data Registry. As defined by the National Cardiovascular Data Registry, bleeding required transfusion, prolonged hospital stay, and/or a drop in hemoglobin >3.0 g/dL from any location, including percutaneous entry site, retroperitoneal, gastrointestinal, genitourinary, and other/unknown location. Bleeding complications occurred in 2.4% of patients. From the best-fitting model consisting of 15 clinical elements associated with post-PCI bleeding in a random 80% training cohort, we developed a parsimonious risk algorithm. Predictors of bleeding included age, gender, previous heart failure, glomerular filtration rate, peripheral vascular disease, no previous PCI, New York Heart Association/Canadian Cardiovascular Society Functional Classification class IV heart failure, ST-elevation myocardial infarction, non-ST-elevation myocardial infarction, and cardiogenic shock. The parsimonious model was validated in the remaining 20% of the population (c-statistic, 0.72) and in clinically relevant subgroups of patients. This simplified model was used to derive a clinical risk algorithm, with larger numbers corresponding with greater risk. In 3 categories, bleeding rates were greater in patients with higher estimates ( or=18, 5.1%). CONCLUSIONS: This report identifies baseline clinical factors associated with bleeding and proposes a clinically useful algorithm to estimate bleeding risk. This model is potentially actionable in altering therapeutic decision making and improving outcomes in patients undergoing PCI.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».