Effectiveness and safety of anticoagulants for the treatment of venous thromboembolism in patients with cancer
Notice bibliographique
Résumé
Anticoagulation is used to treat venous thromboembolism (VTE) in cancer patients, but may be associated with an increased risk of bleeding. VTE recurrence and major bleeding were assessed in cancer patients treated for VTE with the most currently prescribed anticoagulants in clinical practice. Newly diagnosed cancer patients (first VTE 1/1/2013-05/31/2015) who initiated rivaroxaban, low-molecular-weight heparin (LMWH), or warfarin were identified from Humana claims data and observed until end of eligibility or end of data availability. VTE recurrence was a hospitalization with a primary diagnosis of VTE ≥7 days after first VTE. Major bleeding events on treatment were identified using validated criteria. Cohorts were compared using Kaplan-Meier rates at 6 and 12 months and Cox proportional hazards models. Cohorts were adjusted for their differences at baseline. A total of 2428 patients (rivaroxaban: 707; LMWH: 660; warfarin: 1061) met inclusion criteria. Patient characteristics were well balanced after weighting. There was a trend for lower VTE recurrence rates in rivaroxaban users compared to LMWH users at 6 months (13.2% vs. 17.1%; P = .060) and significantly lower at 12 months (16.5% vs. 22.2%; P = .030) [HR: 0.72, 95% CI: (0.52-0.95); P = .024]. VTE recurrence rates were also lower for rivaroxaban than warfarin users at 6 months (13.2% vs. 17.5%; P = .014) and 12 months (15.7% vs. 19.9%; P = .017) [HR: 0.74, 95% CI: (0.56-0.96); P = .028]. Major bleeding rates were similar across cohorts. This real-world analysis suggests cancer patients with VTE treated with rivaroxaban had significantly lower risk of recurrent VTE and similar risk of bleeding compared to those treated with LMWH or warfarin.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».