Risk models for VTE and bleeding in medical inpatients: systematic identification and expert assessment
Notice bibliographique
Résumé
Risk assessment models (RAMs) for venous thromboembolism (VTE) and bleeding in hospitalized medical patients inform appropriate use of thromboprophylaxis. Our aim was to use a novel approach for selecting risk factors for VTE and bleeding to be included in RAMs. First, we used the results of a systematic review of all candidate factors. Second, we used the Grading of Recommendations Assessment, Development, and Evaluation (GRADE) approach to assess the certainty of the evidence for the identified factors. Third, we using a structured approach to select factors to develop the RAMs, by building on clinical and methodological expertise. The expert panel made judgments on whether to include, potentially include, or exclude risk factors, according to domains of the GRADE approach and the Delphi method. The VTE RAM included age >60 years, previous VTE, acute infections, immobility, acute paresis, active malignancy, critical illness, and known thrombophilia. The bleeding RAM included age ≥65 years, renal failure, thrombocytopenia, active gastroduodenal ulcers, hepatic disease, recent bleeding, and critical illness. We identified acute infection as a factor that was not considered in widely used RAMs. Also, we identified factors that require further research to confirm or refute their importance in a VTE RAM (eg, D-dimer). We excluded autoimmune disease which is included in the IMPROVE (International Medical Prevention Registry on Venous Thromboembolism) bleeding RAM. Our results also suggest that sex, malignancy, and use of central venous catheters (factors in the IMPROVE bleeding RAM) require further research. In conclusion, our study presents a novel approach to systematically identifying and assessing risk factors to be included or further explored during RAM development.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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 ».