Incidence of Cerebral Venous Thrombosis: A Population-Based Study, Systematic Review, and Meta-Analysis
Notice bibliographique
Résumé
Background: Studying the baseline incidence of cerebral venous thrombosis (CVT) prior to COVID-19 and the limitations of how this has been previously reported in the literature will help improve understanding of this disease and how risks may have changed in the post-COVID era. Methods: We examined CVT incidence using linked administrative data in British Columbia, Canada (population 5.2 million). To contextualize our findings, we also examined CVT incidence in the published literature and searched MEDLINE and EMBASE for article titles and abstracts up to Nov 2, 2021 on CVT incidence in adults. We performed abstract screening and full-text review prior to data extraction and explored associations between CVT incidence and year of study, geographic location, and study quality with meta-analyses and meta-regression. A random-effects restricted maximum likelihood model was used. Publication bias was assessed using the Egger tests and using visual inspection of the funnel plot for symmetry. Results: There were 554 unique CVT cases (mean age 50.9 years, 55.4% women) in British Columbia from 2000 to 2017; overall annual incidence was 8.7 (95%CI‚ 8.0–9.4) per million. Incidence increased over time in men across the entire study period, and from 2011 to 2017 in women. We identified 22 other studies on CVT incidence before 2020 (21/23 total studies included in meta-analysis). Annual incidence overall was 12.1 (95% CI‚ 9.9–14.3) per million with significant between-study heterogeneity (I 2 98.8%, Qp-value<0.001). There were no significant associations on meta-regression between incidence and study year, study quality score, or gross national income per capita of the study country. Visual inspection of the funnel plot and a significant Egger test (z=2.8, P <0.01) suggested possible publication bias. Conclusions: Incidence of CVT in Canadian data increased over time but remained lower than in other population-based studies. Significant heterogeneity exists in the literature, which may be subject to publication bias.
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 | 0,016 | 0,044 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,017 | 0,033 |
| Bibliométrie | 0,009 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».