在两个独特的美国医疗保健系统中推导和验证癌症相关血栓形成的临

这是一篇关于在两个独特的美国医疗保健系统中推导和验证癌症相关血栓形成的临的思维导图，主要内容包括：补充材料，表不如图，字不如表，摘要，题目。

在两个独特的美国医疗保健系统中推导和验证癌症相关血栓形成的临床风险评估模型

• 题目
  • Derivation and Validation of a Clinical Risk Assessment Model for Cancer-Associated Thrombosis in Two Unique US Health Care Systems
• 摘要
  • 背景/目的
    • 静脉血栓栓塞症( venous thromboembolism，VTE )
    • 肺栓塞( pulmonary embolism，PE )
    • 下肢深静脉血栓形成( lower extremity deep vein thrombosis，LE-DVT )
    • VTE 是肿瘤患者全身治疗过程中严重且可预防的并发症
  • 方法
    • 利用 2011 年至 2020 年诊断出癌症的患者的回顾性数据
    • HHS
      • 哈里斯卫生系统(Harris Health System)
    • RAM
      • 简约风险评估模型 (parsimonious risk assessment model)
    • VA
      • 退伍军人事务部医疗保健系统(Veterans Affairs health care system
    • 使用HHS (n = 9769) 的最小绝对收缩和选择算子回归导出了一个RAM
    • 使用退伍军人事务部 (VA) 医疗保健系统对其进行外部验证 (n =79517)
    • 自举 c 统计量和校准曲线用于评估外部模型的辨别力和拟合度
    • 创建使用整数分数的二分风险分层并与 Khorana 分数 (KS) 进行比较
    • 使用标准化平均差（SMD）比较队列之间的基线协变量，其中 SMD 大于 0.1被认为有显着差异
    • 最后，测试了模型在人口统计亚组中的表现，以确保普遍性
    • 新的 RAM 在 HHS 和 VA 医疗保健系统队列中在年龄、性别和种族/族裔亚组方面存在类似的区分能力（数据补充）
  • 结果
    • 6 个月时，HHS 中分别有 590 名 (6.2%) 和 437 名 (4.6%) 患者发生 VTE 和 PE/LE-DVT
    • VA 医疗保健系统中分别有 4,027 名 (5.1%) 和 3,331 名 (4.2%) 患者发生 VTE 和 PE/LE-DVT
    • 根据 HHS 推导队列中 11 个预测因素的最终列表，我们通过添加加权整数分数（中位数，3 [IQR，2-5]）创建了新的 VTE 风险评分
    • 为了模仿之前临床试验中实施的 KS 分类，根据 6 个月时总体 VTE 7%-8% 的预定临床阈值对风险组进行二分，这对应于高风险组的评分为 31
    • 与截断值为 2+ 的 KS 相比，新的 RAM 分组提高了区分度和分类能力
    • 在全身治疗开始时进行评估
    • 新的 RAM 包括 KS 的组成部分
      • 修改后的癌症亚型
      • 癌症分期
      • 全身治疗类别
      • VTE 病史
      • 瘫痪/不动病史
      • 近期住院情况
      • 亚洲/太平洋岛民种族
    • HHS 和 VA 医疗保健系统的 c 统计量分别为 0.71 和 0.68（而 KS 分别为 0.65 和 0.60）
    • 新的 RAM 对 28% 的患者进行了适当的重新分类，并将验证数据集中高危组中 VTE 的比例从 37% 增加到 68%
    • 简单的加性分数可以轻松实现并实时计算，无需外部网站或列线图
  • 结论
    • 新型 RAM 将癌症患者分为高风险组，6 个月时 VTE 累积发生率为 8%-10%，PE/LE-DVT 累积发生率为 7%（低风险组分别为 3% 和 2%）
    • 该模型比原始 KS 提高了性能，并将高风险层中的 VTE 事件数量增加了一倍
    • 鼓励前瞻性研究进行额外的外部验证
• 字不如表
  • Table 1
    • 急性心力衰竭患者的基线临床特征
      • 阳性事件基线
  • Table 2
    • 哈里斯卫生系统队列中全身治疗开始后 6 个月推导新的 VTE 风险评估模型
  • Table 3
    • 简化 VTE 风险评估模型在推导和验证数据集中的性能
  • Table 4
    • 新风险评估模型与原KS的比较
• 表不如图
  • Figure 1
    • 推导和验证队列中的患者选择和排除
  • Figure 2
    • VTE 的发生率通过新的风险评估模型在推导和验证队列中进行分层
      • 哈里斯卫生系统衍生队列中的 (A) 总体 VTE 和 (B) PE/LE-DVT
      • 退伍军人事务部医疗保健系统验证队列中的 (C) 总体 VTE 和 (D) PE/LE-DVT
  • Figure 3
    • 基于XGBoost的风险分层
      • （A）XGBoost的ROC
      • （B）Kaplan-Meier曲线
  • Figure 4
    • （A） 对预测影响最大的特征（从最重要到最不重要排序）
    • （B） 每个特征对模型输出的影响分布
      • 在每行中，每个点代表一个病人。点的颜色表示特征值：红色表示较大的值，蓝色表示较小的值
    • （C 和 D） 显示了两名患者的个体化预测
      • 红色和蓝色的条形图分别代表危险因素和保护因素;条形越长表示特征重要性越大
• 补充材料
  • Method 1
    • 两个医疗保健系统的数据提取和协调
  • Method 2
    • 静脉血栓栓塞症( VTE )结局的可计算表型验证
  • Method 3
    • 新的风险评估模型的推导与验证
  • Table S1
    • 模型推导中包含的基准变量
  • Table S2
    • 系统治疗分类
  • Table S3
    • 国际疾病分类( ICD )算法用于研究结果判定
  • Table S4
    • 研究结果判定的自然语言处理( NLP )算法
  • Table S5
    • 组合ICD和NLP算法在各站点的表现
  • Table S6
    • 癌亚型再分类对血栓形成风险的Logistic回归模型
  • Table S7
    • 在λ 1se时，LASSO选择的变量对HHS衍生队列中总体VTE和PE / LE - DVT的重要性排序
  • Table S8
    • HHS衍生队列中总体VTE的多变量logistic回归模型中的变量
  • Table S9
    • 原始KS评分vs .新模型在推导和验证队列中的表现
  • Table S10
    • 在推导和验证队列中对新风险评估模型进行社会人口学亚组分析
  • Table S11
    • 与以往地标性研究的比较
  • Figure S1
    • 通过LASSO模型对总体VTE和PE / LE - DVT结局进行协变量选择
  • Figure S2
    • 新的风险评估模型在验证队列中的校准图
  • Figure S3
    • 通过KS评分和新模型在推导和验证队列中的VTE累积发病率
  • Figure S4
    • 推导和验证队列的总生存期