Identification of Medical Patients Who Should Receive Venous Thromboembolism Prophylaxis.
Notice bibliographique
Résumé
Abstract Introduction Despite various medical illnesses/conditions and patient-related factors known to increase venous thromboembolism (VTE) risk in medical patients, there is no worldwide consensus regarding which of these patients should receive VTE prophylaxis. As a result, many medical patients remain at risk from this potentially fatal disease. Our objective was to develop a simple risk assessment model (RAM) that could be used at the bedside to identify medical patients who should receive prophylaxis. Methods Acute medical illnesses/conditions and risk factors were included in the RAM if there was strong evidence from prospective clinical studies to show that they significantly increase VTE risk in medical patients, or VTE prophylaxis was beneficial in these cases. If strong evidence was not available, the illness/condition or factor was only included if there was consensus from the authors that VTE prophylaxis is beneficial for these patients. Results Table 1 shows acute medical illnesses/conditions and factors associated with significant VTE risk that are included in the RAM. If a medical patient is >40 years old with an acute medical illness and reduced mobility and has one of the illnesses/conditions or factors shown in Table 1, the RAM recommends prophylaxis with low-molecular-weight heparin (LMWH: enoxaparin 40 mg o.d. or dalteparin 5000 IU o.d.) or unfractionated heparin (5000 IU q8h). LMWH is preferred due to a better safety profile. If pharmacologic prophylaxis is contraindicated, mechanical prophylaxis is recommended. Conclusion Acute medical illnesses/conditions and patient-related factors that increase the risk for VTE in medical patients have been identified and used to develop a novel RAM. The RAM is evidence-based wherever possible, and can be easily revised as new evidence becomes available. The RAM is simple in design, and can assist physicians to assess whether VTE prophylaxis is warranted in an individual medical patient. Table 1. Factors that increase the risk of VTE in medical patients Acute medical illnesses/conditions Risk factors *Note: The risk of hemorrhagic transformation should be assessed before giving VTE prophylaxis. Evidence-based: Acute MI, acute heart failure (NYHA III/IV), active cancer requiring therapy, severe infection/sepsis, respiratory disease (respiratory failure with/without mechanical ventilation, exacerbation of chronic respiratory disease), rheumatic disease (including acute arthritis of lower extremities, and vertebral compression), ischemic stroke*, paraplegia Consensus view only: Inflammatory disorder with immobility, inflammatory bowel disease Evidence-based: History of VTE, history of malignancy, concurrent acute infectious disease, age >75 years Consensus-based from strong evidence in other settings: Prolonged immobility, age >60 years, varicose veins, obesity, hormone therapy, pregnancy/postpartum, nephrotic syndrome, dehydration, thrombophilia, thrombocytosis
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».