ObjectiveThe goal of this work is to evaluate if there is an increase in the risk of thromboembolic events (TEEs) due to concomitant exposure to dexamethasone and apixaban or rivaroxaban. Direct oral anticoagulants (DOACs), as well as corticosteroid dexamethasone, are commonly used to treat individuals hospitalised with COVID-19. Dexamethasone induces cytochrome P450-3A4 enzyme that also metabolises DOACs apixaban and rivaroxaban. This raises a concern about possible interaction between dexamethasone and DOACs that may reduce the efficacy of the DOACs and result in an increased risk of TEE.DesignWe used nested case–control study design.SettingThis study was conducted in the National COVID Cohort Collaborative (N3C), the largest electronic health records repository for COVID-19 in the USA.ParticipantsStudy participants were adults over 18 years who were exposed to a DOAC for 10 or more consecutive days. Exposure to dexamethasone was at least 5 or more consecutive days.Primary and secondary outcome measuresOur primary exposure variable was concomitant exposure to dexamethasone for 5 or more days after exposure to either rivaroxaban or apixaban for 5 or more consecutive days. We used McNemar’s Χ2test and adjusted logistic regression to evaluate association between concomitant use of dexamethasone with either apixaban or rivaroxaban.ResultsMcNemar’s Χ2test did not find a discernible association of TEE in patients concomitantly exposed to dexamethasone and a DOAC (χ2=0.5, df=1, p=0.48). In addition, a conditional logistic regression model did not find an increase in the risk of TEE (adjusted OR 1.15, 95% CI 0.32 to 4.18).ConclusionThis nested case–control study did not find evidence of an association between concomitant exposure to dexamethasone and a DOAC with an increase in risk of TEE. Due to small sample size, an association cannot be completely ruled out.
Objective The purpose of the study was to develop and validate a model to predict the risk of experiencing a fall for nursing home residents utilizing data that are electronically available at the more than 15 000 facilities in the United States. Materials and Methods The fall prediction model was built and tested using 2 extracts of data (2011 through 2013 and 2016 through 2018) from the Long-term Care Minimum Dataset (MDS) combined with drug data from 5 skilled nursing facilities. The model was created using a hybrid Classification and Regression Tree (CART)-logistic approach. Results The combined dataset consisted of 3985 residents with mean age of 77 years and 64% female. The model’s area under the ROC curve was 0.668 (95% confidence interval: 0.643–0.693) on the validation subsample of the merged data. Discussion Inspection of the model showed that antidepressant medications have a significant protective association where the resident has a fall history prior to admission, requires assistance to balance while walking, and some functional range of motion impairment in the lower body; even if the patient exhibits behavioral issues, unstable behaviors, and/or are exposed to multiple psychotropic drugs. Conclusion The novel hybrid CART-logit algorithm is an advance over the 22 fall risk assessment tools previously evaluated in the nursing home setting because it has a better performance characteristic for the fall prediction window of ≤90 days and it is the only model designed to use features that are easily obtainable at nearly every facility in the United States.
deVelopment of medICal dIagnostIC deCIsIon support systems and theIr eConomIC effICIenCy Об'єктом дослідження є діагностичні системи підтримки ухвалення рішень (СПУР). Одним з найбільш проблемних місць в медичних діагностичних системах є формування бази знань на основі правил експерта, за якою надається рекомендація щодо хвороби. Проведено дослідження методів проектування медичних діагностичних систем. Розглянуто методи застосування потенціалу штучного інтелекту в медицині у вигляді формування нечітких правил або проведення діагностики на основі байєсівських мереж. Розглянуто інтелектуальні обчислювальні засоби у вигляді експертних систем на основі правил та нечіткої логіки, що застосовуються до нейронних мереж та генетичні алгоритми, що виконуються в медичній діагностиці. Для розробки системи підтримки ухвалення рішень лікаря-педіатра було обрано метод формування бази знань на основі логічних правил «якщо…, то…». Використання даного методу дозволяє сформувати початкові умови вхідних даних до системи, та прискорити їх обробку в базі знань. Хоча при цьому база знань є досить громіздкою, але це не зменшує продуктивність використання системи. В процесі дослідження описано розробку медичної діагностичної системи підтримки ухвалення рішень лікарем-педіатром за етапами проектування. Застосування даної системи дозволяє автоматизувати процес документообігу для лікаря-педіатра та пришвидшити етап попереднього оцінювання стану пацієнта. Вбудований модуль електронного довідника педіатра не тільки автоматизує процес документообігу, що зменшує час роботи лікаря з паперами, а й дозволяє отримувати повну інформацію про пацієнта. Виконано розрахунок економічної ефективності від впровадження СПУР лікарем-педіатром. Розрахована вартість системи має окупитися протягом 1 року. Перспектива додавання модулів до системи за окремими хворобами та формування електронної картки з моменту народження з перспективою передачі даних до системи для дорослих є перевагами перед аналогами даного програмного продукту. ключеві слова: медичні системи підтримки ухвалення рішень, розробка програмного забезпечення, економічна ефективність.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
customersupport@researchsolutions.com
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
This site is protected by reCAPTCHA and the Google Privacy Policy and Terms of Service apply.
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.