Underuse of ECG monitoring in oncology patients receiving QT-interval prolonging drugs
Notice bibliographique
Résumé
OBJECTIVE: We examined use of ECG monitoring in oncology patients prescribed QT-prolonging drugs. METHODS: Patients ≥66 years diagnosed with cancer between 2005 and 2011 were identified through the Ontario Cancer Registry and linked to multiple population-based administrative databases to ascertain demographics, comorbidities, prescription drug use, systemic therapy and ECG. QT-prolonging drugs were identified as per drug lists developed by the Arizona Center for Education and Research on Therapeutics. Univariable and multivariable analyses were used to examine factors associated with ECG use in patients on first-line systemic therapy. RESULTS: A total of 48 236 patients (median age 74; 49% women) received one or more drugs associated with a risk of QT-interval prolongation but only 27% of patients had an ECG performed. Factors associated with more ECG use on multivariable analysis included recent cancer diagnosis (p for trend <0.001 between 2005 and 2011), use of concurrent QT-prolonging drugs (OR=1.15 per each additional QT-prolonging drug, 95% CI 1.12 to 1.17) and the presence of coronary artery disease (OR 1.31; 95% CI 1.25 to 1.38) and heart failure (OR 1.25; 95% CI 1.17 to 1.35). Use of anticancer (OR 0.74; 95% CI 0.70 to 0.79) and antiemetic (OR 0.93; 95% CI 0.88 to 0.99) QT-prolonging drugs was paradoxically associated with less ECG use. CONCLUSIONS: Our study highlights common use of QT-prolonging drugs and underuse of ECG in oncology patients. Since ECG is an inexpensive, non-invasive and widely available test, it may be readily incorporated in the monitoring of patients for toxicities in routine clinical practice.
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) | 0,000 | 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 ».