Prediction models for ischemic stroke and bleeding in dialysis patients: a systematic review and meta-analysis
Notice bibliographique
Résumé
ABSTRACT Background Patients with kidney failure on maintenance dialysis have a high stroke and bleeding risk. Multivariable prediction models can be used to estimate the risk of ischemic stroke and bleeding. A systematic review and meta-analysis was performed to determine the performance of the existing models in patients on dialysis. Methods MEDLINE and Embase databases were searched, from inception through 12 January 2024, for studies of prediction models for stroke or bleeding, derived or validated in dialysis cohorts. Discrimination measures for models with c-statistic data from three or more cohorts were pooled by random effects meta-analysis and a 95% prediction interval (PI) was calculated. Risk of bias was assessed using PROBAST. The review was conducted according to the PRISMA statement and the CHARMS checklist. Results Eight studies were included in this systematic review. All the included studies validated pre-existing models that were derived in cohorts from the general population. None of the identified studies reported the development of a new dialysis specific prediction model for stroke, while dialysis specific risk scores for bleeding were proposed by two studies. In meta-analysis of c-statistics, the CHA2DS2-VASc, CHADS2, ATRIA, HEMORR(2)HAGES and HAS-BLED scores showed very poor discriminative ability in the dialysis population. Six of the eight included studies were at low or unclear risk of bias and certainty of evidence was moderate. Conclusions The existing prediction models for stroke and bleeding have very poor performance in the dialysis population. New dialysis-specific risk scores should be developed to guide clinical decision making in these patients.
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 | 0,005 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,011 | 0,008 |
| 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 | 0,001 |
| 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 ».