Effectiveness of Thrombectomy in Stroke According to Baseline Prognostic Factors: Inverse Probability of Treatment Weighting Analysis of a Population-Based Registry
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: In real-world practice, the benefit of mechanical thrombectomy (MT) is uncertain in stroke patients with very favorable or poor prognostic profiles at baseline. We studied the effectiveness of MT versus medical treatment stratifying by different baseline prognostic factors. METHODS: Retrospective analysis of 2,588 patients with an ischemic stroke due to large vessel occlusion nested in the population-based registry of stroke code activations in Catalonia from January 2017 to June 2019. The effect of MT on good functional outcome (modified Rankin Score ≤2) and survival at 3 months was studied using inverse probability of treatment weighting (IPTW) analysis in three pre-defined baseline prognostic groups: poor (if pre-stroke disability, age >85 years, National Institutes of Health Stroke Scale [NIHSS] >25, time from onset >6 hours, Alberta Stroke Program Early CT Score <6, proximal vertebrobasilar occlusion, supratherapeutic international normalized ratio >3), good (if NIHSS <6 or distal occlusion, in the absence of poor prognostic factors), or reference (not meeting other groups' criteria). RESULTS: Patients receiving MT (n=1,996, 77%) were younger, had less pre-stroke disability, and received systemic thrombolysis less frequently. These differences were balanced after the IPTW stratified by prognosis. MT was associated with good functional outcome in the reference (odds ratio [OR], 2.9; 95% confidence interval [CI], 2.0 to 4.4), and especially in the poor baseline prognostic stratum (OR, 3.9; 95% CI, 2.6 to 5.9), but not in the good prognostic stratum. MT was associated with survival only in the poor prognostic stratum (OR, 2.6; 95% CI, 2.0 to 3.3). CONCLUSIONS: Despite their worse overall outcomes, the impact of thrombectomy over medical management was more substantial in patients with poorer baseline prognostic factors than patients with good prognostic factors.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».