Predictors of Non-Variceal Hemorrhage in a National Cohort of Patients With Chronic Liver Disease
Notice bibliographique
Résumé
Background: Non-variceal hemorrhage in patients with chronic liver disease (CLD) increases morbidity, mortality, and healthcare costs. There are limited data on risk factors for non-variceal hemorrhage in the CLD population. The aim of this study was to assess the predictive value of various clinical and laboratory parameters for non-variceal hemorrhage in CLD patients. Methods: We conducted a retrospective cohort study of US veterans diagnosed with CLD between 2002 and 2018 within the Veterans Health Administration database. We derived candidate variables from existing risk prediction models for hemorrhage, risk calculators for severity of liver disease, Charlson index of prognostic comorbidities, and prior literature. We used a competing risk analysis to study the relationship between putative risk factors and incidence of non-variceal hemorrhage in patients with CLD. Results: Of 15,183 CLD patients with no history of cancer or anticoagulation use, 674 experienced non-variceal hemorrhage within 1 year of CLD diagnosis. In multivariable analysis, 11 of the 26 candidate variables independently predicted non-variceal hemorrhage: race, international normalized ratio (INR) > 1.5, bilirubin ≥ 2 mg/dL, albumin ≤ 3.5 g/dL, anemia, alcohol abuse, antiplatelet therapy, chronic kidney disease, dementia, proton pump inhibitor prescription, and recent infection. Conclusions: In this study of almost 15,000 veterans, risk factors for non-variceal bleeding within the first year after diagnosis of CLD included non-Caucasian race, laboratory parameters indicating severe liver disease and recent infection in addition to the risk factors for bleeding observed in a general non-CLD population.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».