Assessing the risk of venous thromboembolism in patients with haematological cancers using three prediction models
Notice bibliographique
Résumé
PURPOSE: Assessment of individual VTE risk in cancer patients prior to chemotherapy is critical for determining necessity of interventions. Risk assessment models (RAM) are available but have not been validated for haematological malignancy. We aimed to assess the validity of the Vienna Cancer and Thrombosis Study (V-CATS) score in prediction of VTE in a variety of haematological malignancies. METHODS: This is a prospective cohort study conducted on 81 newly diagnosed cancer patients undergoing chemotherapy. Demographic, clinical and cancer related data were collected, patients were followed up for 6 months, and VTE events were recorded. Khorana score (KS) was calculated. Plasma D-dimer and sP-selectin were measured, and then, V-CATS score was calculated. Receiver operator curve (ROC) was used to assess the sensitivity and specificity of RAMs. A modified V-CATS was generated and subsequently assessed by using new cut-off levels of d-dimer and sP-selectin based on ROC curve of the patients' results and compared the probability of VTE occurrence using all three RAMs. RESULTS: Among the 81 patients included in this study, a total of 2.7% were diagnosed with advanced metastatic cancer. The most frequent cancer was non-Hodgkin lymphoma (39.5%), and 8 patients (9.8%) developed VTE events. The calculated probability of VTE occurrence using KS, V-CATS and modified V-CATS scores at cut-off levels ≥ 3 was 87.5%, 87.5% and 100%, respectively. The AUC in ROC curve of modified Vienna CATS score showed significant difference when compared to that of V-CATS and KS (P = 0.047 and 0.029, respectively). CONCLUSION: The findings of our study highlight the value of three VTE risk assessment models in haematological malignancies. The modified V-CATS score demonstrated higher specificity compared to both V-CATS and KS, while all three scores exhibited similar sensitivity. We encourage the implementation of RAMs in haematological cancers for an appropriate use of thromboprophylaxis.
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 | 0,006 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».