Factors Influencing Outcome and Treatment Effect in PROACT II
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: The PROACT II study demonstrated a significant benefit from treatment with intra-arterial pro-urokinase (r-proUK) in patients with middle cerebral artery occlusion treated within 6 hours of stroke onset. The purpose of the current study was to examine baseline factors to determine predictors of good outcome and response to treatment. METHODS: We selected from the baseline clinical, radiologic, and angiographic data variables that considered possibly related to outcome. A univariate analysis was performed to examine the association between these baseline factors and good outcome, defined as a modified Rankin scale score <or=2. A multivariate model then selected the most important variables independently influencing prognosis. A risk score for each patient was constructed on the basis of the patient's individual values for each independent variable. Patients were stratified into risk quartiles based on their risk scores, and an odds ratio for each risk quartile was calculated. The treatment effects of each quartile were compared. RESULTS: In the univariate analysis, screening National Institutes of Health stroke scale (NIHSS) score and age were strongly associated with good outcome. The multivariate model selected age, NIHSS score, and CT hypodensity as the most important prognostic variables. Dividing patients into quartiles based on risk scores achieved a uniform gradient of probability of good outcomes. A trend toward benefit of r-proUK treatment was seen in all risk quartiles, and no differential treatment effect was observed across risk groups. CONCLUSIONS: There was no evidence of differential effect of r-proUK across subgroups of patients stratified by risk.
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 ».