Derivation and external validation of a venous thromboembolism risk prediction model in asparaginase-treated ALL
Notice bibliographique
Résumé
ABSTRACT: The incidence of venous thromboembolism (VTE) in patients with acute lymphoblastic leukemia (ALL) receiving asparaginase-based induction is high despite primary thromboprophylaxis. Our aim was to derive and externally validate a VTE risk prediction model in patients with ALL receiving asparaginase-based induction. We conducted a multicenter retrospective cohort study of patients (aged ≥18 years) with newly diagnosed ALL receiving asparaginase-based induction. The derivation and external validation cohorts included 306 and 94 patients, respectively. Primary outcome was VTE at any site. A cause-specific Cox proportional hazards model stratified by thromboprophylaxis and center was performed to identify VTE risk factors in the derivation cohort. A risk prediction model for VTE at 30 days was derived using variables with P value < .05 in the multivariable model and was tested in the validation cohort. VTE risk factors on multivariable analysis in the derivation cohort included D-dimer ≥1 μg fibrinogen equivalent unit per mL (hazard ratio [HR], 2.64; 95% confidence interval [CI], 1.07-6.5) and hemoglobin (HR for each 1 g/dL increment, 1.19; 95% CI, 1.06-1.34) at ALL diagnosis. A VTE risk score based on these variables distinguished between a 4% (95% CI, 0.72-12) and 20% (95% CI, 14-27) 30-day cumulative incidence of VTE in the derivation cohort, with similar findings in the validation cohort (area under the curve, 0.56). The negative predictive value for VTE at 30 days was 96% and 93% in the derivation and validation cohorts, respectively, and the positive predictive value was 20% in both. We derived and validated a model using D-dimer and hemoglobin, which stratifies VTE risk in patients with ALL receiving asparaginase-based induction.
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 ».