Risk factors of in⁃stent restenosis for intracranial artery stenosis: a Meta⁃analysis
Notice bibliographique
Résumé
Objective To assess the risk factors of in-stent restenosis (ISR) for intracranial artery stenosis by Meta-analysis. Methods Retrieve relevant case-control studies or cohort studies from online databases (January 1, 1990-August 1, 2017) as PubMed, EBMASE/SCOPUS and Cochrane Library with key words: intracranial artery, stent, restenosis, risk factors, predictors. Selection of studies was performed according to pre-designed inclusion and exclusion criteria. Quality of studies was evaluated by using Newcastle-Ottawa Scale (NOS). All data were pooled by RevMan 5.3 software for Meta-analysis. Results The research enrolled 305 articles, from which 16 high-quality (NOS score>=6) studies were chosen after excluding duplicates and those not meeting the inclusion criteria. A total of 1102 cases (ISR:N =245; non-ISR: N=857) were included. Meta-analysis showed that diabetes (OR=1.880, 95%CI:1.290-2.740; P=0.001), lesions stenosis length>10 mm (OR=3.550, 95%CI:1.160-10.850; P=0.030), anterior circulation lesions (OR=1.680, 95%CI:1.170-2.420; P=0.005), postoperative residual stenosis>=30% (OR=3.290, 95%CI:1.460-7.410; P=0.004) and bare metal stents (OR=4.290, 95%CI:1.130-16.260; P=0.030) increased the risk of ISR significantly. Conclusions Diabetes, lesions stenosis length>10 mm, anterior circulation lesions, postoperative residual stenosis>=30% and bare metal stents were risk factors of in-stent restenosis. Clinicians should avoid related risk factors and reduce the occurrence of in-stent restenosis.
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 | 0,017 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,002 |
| Méta-épidémiologie (sens large) | 0,021 | 0,062 |
| Bibliométrie | 0,009 | 0,007 |
| 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 | 0,003 | 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 ».