Perioperative cardiac events in patients undergoing noncardiac surgery: a review of the magnitude of the problem, the pathophysiology of the events and methods to estimate and communicate risk
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This is the first of 2 articles evaluating cardiac events in patients undergoing noncardiac surgery. In this article, we review the magnitude of the problem, the pathophysiology of these events, approaches to risk assessment and communication of risk. The number of patients undergoing noncardiac surgery worldwide is growing, and annually 500,000 to 900,000 of these patients experience perioperative cardiac death, nonfatal myocardial infarction (MI) or nonfatal cardiac arrest. Although the evidence is limited, a substantial proportion of fatal perioperative MIs may not share the same pathophysiology as nonoperative MIs. A clearer understanding of the pathophysiology is needed to direct future research evaluating prophylactic, acute and long-term interventions. Researchers have developed tools to facilitate the estimation of perioperative cardiac risk. Studies suggest that the Lee index is the most accurate generic perioperative cardiac risk index. The limitations of the studies evaluating the ability of noninvasive cardiac tests to predict perioperative cardiac risk reveals considerable uncertainty as to the role of these popular tests. Similarly, there is uncertainty as to the predictive accuracy of the American College of Cardiology/American Heart Association algorithm for cardiac risk assessment. Patients are likely to benefit from improved estimation and communication of cardiac risk because the majority of noncardiac surgeries are elective and accurate risk estimation is important to allow informed patient and physician decision-making.
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.
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 | 0,008 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 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 découle