Multivariable clinical-genetic risk model for predicting venous thromboembolic events in patients with cancer
Notice bibliographique
Résumé
BACKGROUND: Venous thromboembolism (VTE) is a leading cause of death among patients with cancer. Outpatients with cancer should be periodically assessed for VTE risk, for which the Khorana score is commonly recommended. However, it has been questioned whether this tool is sufficiently accurate at identifying patients who should receive thromboprophylaxis. The present work proposes a new index, TiC-Onco risk score to be calculated at the time of diagnosis of cancer, that examines patients' clinical and genetic risk factors for thrombosis. METHODS: We included 391 outpatients with a recent diagnosis of cancer and candidates for systemic outpatient chemotherapy. All were treated according to standard guidelines. The study population was monitored for 6 months, and VTEs were recorded. The Khorana and the TiC-Onco scores were calculated for each patient and their VTE predictive accuracy VTEs was compared. RESULTS: We recorded 71 VTEs. The TiC-Onco risk score was significantly better at predicting VTE than the Khorana score (AUC 0.73 vs. 0.58, sensitivity 49 vs. 22%, specificity 81 vs. 82%, PPV 37 vs. 22%, and NPV 88 vs. 82%). CONCLUSIONS: TiC-Onco risk score performed significantly better than Khorana score at identifying cancer patients at high risk of VTE who would benefit from personalised thromboprophylaxis.
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 | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».