Incidence and predictors of post-thrombotic syndrome in patients with proximal DVT in a real-world setting: findings from the GARFIELD-VTE registry
Notice bibliographique
Résumé
Although substantial progress has been made in the pathophysiology and management of the post-thrombotic syndrome (PTS), several aspects still need clarification. Among them, the incidence and severity of PTS in the real world, the risk factors for its development, the value of patient's self-evaluation, and the ability to identify patients at risk for severe PTS. Eligible participants (n = 1107) with proximal deep-vein thrombosis (DVT) from the global GARFIELD-VTE registry underwent conventional physician's evaluation for PTS 36 months after diagnosis of their DVT using the Villalta score. In addition, 856 patients completed a Villalta questionnaire at 24 months. Variable selection was performed using stepwise algorithm, and predictors of severe PTS were incorporated into a multivariable risk model. The optimistic adjusted c-index was calculated using bootstrapping techniques. Over 36-months, 27.8% of patients developed incident PTS (mild in 18.7%, moderate in 5.7%, severe in 3.4%). Patients with incident PTS were older, had a lower prevalence of transient risk factors of DVT and a higher prevalence of persistent risk factors of DVT. Self-assessment of overall PTS at 24 months showed an agreement of 63.4% with respect to physician's evaluations at 36 months. The severe PTS multivariable model provided an optimistic adjusted c-index of 0.68 (95% CI 0.59-0.77). Approximately a quarter of DVT patients experienced PTS over 36 months after VTE diagnosis. Patient's self-assessment after 24 months provided added value for estimating incident PTS over 36 months. Multivariable risk analysis allowed good discrimination for severe PTS.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 ».