Thromboembolic Disease in Patients With Cancer and COVID-19: Risk Factors, Prevention and Practical Thromboprophylaxis Recommendations–State-of-the-Art
Notice bibliographique
Résumé
Cancer and COVID-19 are both well-established risk factors predisposing to thrombosis. Both disease entities are correlated with increased incidence of venous thrombotic events through multifaceted pathogenic mechanisms involving the interaction of cancer cells or SARS-CoV2 on the one hand and the coagulation system and endothelial cells on the other hand. Thromboprophylaxis is recommended for hospitalized patients with active cancer and high-risk outpatients with cancer receiving anticancer treatment. Universal thromboprophylaxis with a high prophylactic dose of low molecular weight heparins (LMWH) or therapeutic dose in select patients, is currentlyindicated for hospitalized patients with COVID-19. Also, prophylactic anticoagulation is recommended for outpatients with COVID-19 at high risk for thrombosis or disease worsening. However, whether there is an additive risk of thrombosis when a patient with cancer is infected with SARS-CoV2 remains unclear In the current review, we summarize and critically discuss the literature regarding the epidemiology of thrombotic events in patients with cancer and concomitant COVID-19, the thrombotic risk assessment, and the recommendations on thromboprophylaxis for this subgroup of patients. Current data do not support an additive thrombotic risk for patients with cancer and COVID-19. Of note, patients with cancer have less access to intensive care unit care, a setting associated with high thrombotic risk. Based on current evidence, patients with cancer and COVID-19 should be assessed with well-established risk assessment models for medically ill patients and receive thromboprophylaxis, preferentially with LMWH, according to existing recommendations. Prospective trials on well-characterized populations do not exist.
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 | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».