Prediction of in-hospital bleeding in acutely ill medical patients: External validation of the IMPROVE bleeding risk score
Notice bibliographique
Résumé
INTRODUCTION: Pharmacological thromboprophylaxis slightly increases bleeding risk. The only risk assessment model to predict bleeding in medical inpatients, the IMPROVE bleeding risk score, has never been validated using prospectively collected outcome data. METHODS: We validated the IMPROVE bleeding risk score in a prospective multicenter cohort of medical inpatients. Primary outcome was in-hospital clinically relevant bleeding (CRB) within 14 days of admission, a secondary outcome was major bleeding (MB). We classified patients according to the score in high or low bleeding risk. We assessed the score's predictive performance by calculating subhazard ratios (sHRs) adjusted for thromboprophylaxis use, positive and negative predictive values (PPV, NPV), and the area under the receiver operating characteristic curves (AUC). RESULTS: Of 1155 patients, 8 % were classified as high bleeding risk. CRB and MB within 14 days occurred in 0.94 % and 0.47 % of low-risk and in 5.6 % and 3.4 % of high-risk patients, respectively. Adjusted for thromboprophylaxis, classification in the high-risk group was associated with an increased risk of 14-day CRB (sHR 4.7, 95 % confidence interval [CI] 1.5-14.5) and MB (sHR 4.9, 95%CI 1.0-23.4). PPV was 5.6 % and 3.4 %, while NPV was 99.1 % and 99.5 % for CRB and MB, respectively. The AUC was 0.68 (95%CI 0.66-0.71) for CRB and 0.73 (95%CI 0.71-0.76) for MB. CONCLUSION: The IMPROVE bleeding risk score showed moderate to good discriminatory power to predict bleeding in medical inpatients. The score may help identify patients at high risk of in-hospital bleeding, in whom careful assessment of the risk-benefit ratio of pharmacological thromboprophylaxis is warranted.
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 | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».