Risk-assessment models for VTE and bleeding in hospitalized medical patients: an overview of systematic reviews
Notice bibliographique
Résumé
Multiple risk-assessment models (RAMs) for venous thromboembolism (VTE) in hospitalized medical patients have been developed. To inform the 2018 American Society of Hematology (ASH) guidelines on VTE, we conducted an overview of systematic reviews to identify and summarize evidence related to RAMs for VTE and bleeding in medical inpatients. We searched Epistemonikos, the Cochrane Database, Medline, and Embase from 2005 through June 2017 and then updated the search in January 2020 to identify systematic reviews that included RAMs for VTE and bleeding in medical inpatients. We conducted study selection, data abstraction and quality assessment (using the Risk of Bias in Systematic Reviews [ROBIS] tool) independently and in duplicate. We described the characteristics of the reviews and their included studies, and compared the identified RAMs using narrative synthesis. Of 15 348 citations, we included 2 systematic reviews, of which 1 had low risk of bias. The reviews included 19 unique studies reporting on 15 RAMs. Seven of the RAMs were derived using individual patient data in which risk factors were included based on their predictive ability in a regression analysis. The other 8 RAMs were empirically developed using consensus approaches, risk factors identified from a literature review, and clinical expertise. The RAMs that have been externally validated include the Caprini, Geneva, IMPROVE, Kucher, and Padua RAMs. The Padua, Geneva, and Kucher RAMs have been evaluated in impact studies that reported an increase in appropriate VTE prophylaxis rates. Our findings informed the ASH guidelines. They also aim to guide health care practitioners in their decision-making processes regarding appropriate individual prophylactic management.
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 | 0,001 |
| 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 ».