Dynamic Thromboembolic Risk Modelling to Target Appropriate Preventative Strategies for Patients with Non-Small Cell Lung Cancer
Notice bibliographique
Résumé
Prevention of cancer-associated thromboembolism (TE) remains a significant clinical challenge and priority world-wide safety initiative. In this prospective non-small cell lung cancer (NSCLC) cohort, longitudinal TE risk profiling (clinical and biomarker) was undertaken to develop risk stratification models for targeted TE prevention. These were compared with published models from Khorana, CATS, PROTECHT, CONKO, and CATS/MICA. The NSCLC cohort of 129 patients, median follow-up 22.0 months (range 5.6—31.3), demonstrated a hypercoagulable profile in >75% patients and TE incidence of 19%. High TE risk patients were those receiving chemotherapy with baseline fibrinogen ≥ 4 g/L and d-dimer ≥ 0.5 mg/L; or baseline d-dimer ≥ 1.5 mg/L; or month 1 d-dimer ≥ 1.5 mg/L. The model predicted TE with 100% sensitivity and 34% specificity (c-index 0.67), with TE incidence 27% vs. 0% for high vs. low-risk. A comparison using the Khorana, PROTECHT, and CONKO methods were not discriminatory; TE incidence 17–25% vs. 14–19% for high vs. low-risk (c-index 0.51–0.59). Continuous d-dimer (CATS/MICA model) was also not predictive of TE. Independent of tumour stage, high TE risk was associated with cancer progression (HR 1.9, p = 0.01) and mortality (HR 2.2, p = 0.02). The model was tested for scalability in a prospective gastrointestinal cancer cohort with equipotency demonstrated; 80% sensitivity and 39% specificity. This proposed TE risk prediction model is simple, practical, potent and can be used in the clinic for real-time, decision-making for targeted thromboprophylaxis. Validation in a multicentre randomised interventional study is underway (ACTRN12618000811202).
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 | 0,000 |
| 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 ».