Evaluation of the Khorana score for prediction of venous thromboembolism in patients with multiple myeloma
Notice bibliographique
Résumé
BACKGROUND: Guidelines recommend thromboprophylaxis for patients with multiple myeloma (MM) at high risk for venous thromboembolism (VTE). However, the optimal risk prediction model for VTE in MM remains unclear. Khorana et al developed a VTE risk score (Khorana score) in ambulatory cancer patients receiving chemotherapy. We aimed to evaluate the predictive ability of the Khorana score in patients with MM. METHODS: We identified patients with MM within the Veterans Affairs health care system between 2006 and 2013. The Khorana score was calculated before treatment initiation. Using logistic regression, the relationship between risk group and VTE was assessed at 3 and 6 months. We tested model discrimination using the concordance statistic. RESULTS: In the cohort of 2870 patients with MM, there were 1328 at low risk (0 points), 1521 at intermediate risk (1-2 points), and 21 at high risk (≥3 points) for VTE by the Khorana score. The 6-month cumulative incidence of VTE was 5.1% (95% confidence interval [CI], 4.0%-6.4%) in low risk, 3.9% (95% CI, 3.0%-5.0%) in intermediate risk, 4.8% (95% CI, 0.3%-20.2%) in high risk. The Khorana score did not strongly discriminate between patients who did and did not develop VTEs at 3 or 6 months (concordance statistic, 0.58; 95% CI, 0.54-0.63; and 0.53, 95% CI, 0.50-0.57, respectively. CONCLUSIONS: In conclusion, in this cohort of 2870 patients with MM, the Khorana score did not predict VTE. Our study supports the need to use myeloma-specific risk models to predict VTE risk in patients with MM.
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 | 0,006 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».