Implementation failure: thromboprophylaxis in ambulatory patients with cancer
Notice bibliographique
Résumé
Venous thromboembolism (VTE) is a frequent complication in patients with cancer, especially those receiving systemic therapy in the ambulatory setting. Despite being a largely preventable condition, it remains a leading cause of morbidity and mortality in this patient population. Risk prediction models, such as the Khorana score, have been developed to stratify patients according to their underlying risk of VTE and identify those most likely to benefit from thromboprophylaxis by improving its risk-benefit ratio. Recent evidence supports the efficacy and safety of both low molecular weight heparin and direct oral anticoagulants in reducing VTE incidence in ambulatory patients with cancer who are receiving systemic therapy and are at high risk of VTE. Nevertheless, despite guideline recommendations warranting a risk-based approach, studies persistently show low adoption of thromboprophylaxis in this patient population. Barriers to implementation are complex, including clinician-, patient- and system-related factors. However, promising implementation strategies, including electronic health record integrated risk calculators, structured education programs, and patient-centered care pathways, have shown potential in improving adherence to guidelines and better clinical outcomes. This review summarizes the current evidence for thromboprophylaxis in patients with cancer, explores the challenges in translating evidence into practice, and highlights successful models designed to close the gap between guidelines and clinical practice.
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 ».