Predicting in a predicament: Stroke and hemorrhage risk prediction in dialysis patients with atrial fibrillation
Notice bibliographique
Résumé
Whether to anticoagulate dialysis patients with atrial fibrillation is a common clinical dilemma with limited high-quality data to inform decision-making. While the efficacy and safety of anticoagulation for stroke prevention in dialysis patients with atrial fibrillation has long been debated and remains unclear, the more upstream issue of stroke risk assessment from atrial fibrillation has received relatively little attention. In the general population, a handful of risk scores to help predict stroke and hemorrhage risk in the setting of atrial fibrillation are widely validated and applied in clinical practice. But are they applicable to the dialysis population? The most commonly used stroke risk scores, CHADS2 and CHA2DS2-VASC, have limited validation in the dialysis population, and when validated, have shown poor performance (c-statistics <0.70). Stroke risk scores derived in the general atrial fibrillation population may perform poorly in dialysis patients for a number of reasons. Dialysis patients have unique stroke risk factors, such as chronic inflammation and vascular calcification, and a much higher competing risk of death, none of which are accounted for in current risk scores. Further complicating the dilemma of anticoagulation is hemorrhage risk, which is known to be exceedingly high in dialysis patients. Currently available hemorrhage risk scores, such as HAS-BLED, have not been validated in dialysis patients and will likely underestimate hemorrhage risk. Moving forward, risk tools specific to the dialysis population are needed to accurately assess and balance stroke and hemorrhage risks in dialysis patients with atrial fibrillation.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| 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 | 0,001 | 0,001 |
| 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 ».