Variation in the Association between Antineoplastic Therapies and Venous Thromboembolism in Patients with Active Cancer
Notice bibliographique
Résumé
BACKGROUND: Venous thromboembolism (VTE) is a major cause of death in cancer patients. Although patients with cancer have numerous risk factors for VTE, the relative contribution of cancer treatments is unclear. OBJECTIVE: The objective of this study is to evaluate the association between cancer therapies and the risk of VTE. METHODS: From UK Clinical Practice Research Datalink, data on patients with first cancer diagnosis between 2008 and 2016 were extracted along with information on hospitalization, treatments, and cause of death. Primary outcome was active cancer-associated VTE. To establish the independent effects of risk factors, adjusted subhazard ratios (adj-SHR) were calculated using Fine and Gray regression analysis accounting for death as competing risk. RESULTS: Among 67,801 patients with a first cancer diagnosis, active cancer-associated VTE occurred in 1,473 (2.2%). During a median observation time of 1.2 years, chemotherapy, surgery, hormonal therapy, radiation therapy, and immunotherapy were given to 71.1, 37.2, 17.2, 17.5, and 1.4% of patients with VTE, respectively. The active cancers associated with the highest risk of VTE-as assessed by incidence rates-included pancreatic cancer, brain cancer, and metastatic cancer. Chemotherapy was associated with an increased risk of VTE (adj-SHR: 3.17, 95% confidence interval [CI]: 2.76-3.65) while immunotherapy with a not significant reduced risk (adj-SHR: 0.67, 95% CI: 0.30-1.52). There was no association between VTE and radiation therapy (adj-SHR: 0.91, 95% CI: 0.65-1.27) and hormonal therapies. CONCLUSION: VTE risk varies with cancer type. Chemotherapy was associated with an increased VTE risk, whereas with radiation and immunotherapy therapy, an association was not confirmed.
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 ».