The risk of bleeding in thrombocytopenic patients with acute myeloid leukemia.
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Patients with acute myeloid leukemia are at risk of bleeding. The risk factors for different severities of bleeding are poorly studied. DESIGN AND METHODS: Data from Rebulla et al. were analyzed in an exploratory analysis using multivariate Cox regression analyses for time-to-first bleed with time-depend- ent covariates reflecting measures of clinical and laboratory variables on the previous day. The relationships of the variables with three bleeding categories were studied: mild bleeding (WHO grades 1 and 2) clinically significant (bleeding grades 2, 3 and 4) and severe (bleeding grades 3 and 4). RESULTS: Bleeding of any severity occurred in 149 (58.4%) of 255 patients. There were 743 days of bleeding over 7335 patient-days of observation. Risk factors for mild bleeding included increased body temperature and decreased platelet count; the risk was decreased with administration of antifungal medication or platelet transfusion on the previous day. Risk factors for clinically significant bleeding included grade 1 bleeding on the previous day, decreased platelet count and elevated body temperature. Decreased platelet count and mild bleeding on the previous day were risk factors for severe bleeding. Higher hemoglobin values were associated with a delay in the time-to-first clinically significant bleed. INTERPRETATION AND CONCLUSIONS: These results support clinical guidelines for increasing the platelet transfusion threshold in the presence of fever and support the use of milder bleeding symptoms as an outcome in clinical trials. The suggestion that hemo- globin concentration maybe predictive of bleeding risk supports the hypothesis that this maybe a valuable intervention in anemic thrombocytopenic patients at high risk of bleeding.
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) | 0,000 | 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 ».