Early failures of total hip replacement: Effect of surgeon volume
Notice bibliographique
Résumé
OBJECTIVE: To determine whether provider volume is associated with early failures following total hip replacement (THR) requiring revision. METHODS: Claims data were analyzed to follow a cohort of 57,488 Medicare beneficiaries who underwent elective primary THR in 1995-1996 in 3,044 hospitals in the US. Patients were followed through the end of 1999. Failure of primary THR was defined as a subsequent revision THR, as determined by International Classification of Diseases, Ninth Revision codes in hospital claims. Hospitals were stratified into 4 volume groups: low (<25 THRs/year), medium (26-50, 51-100 THRs/year), and high (>100 THRs/year). Low-volume surgeons were defined as those surgeons performing <12 elective primary THRs annually in the Medicare population. Associations between the rates of revision and surgeon volume were determined by hazard ratios from a proportional hazard model, with adjustment for hospital volume, patient age, poverty status, sex, and comorbidities. We also examined whether the effect of surgeon volume on revision rates differed between the first 18 months postoperatively and later time periods. RESULTS: Among 57,488 patients who had elective primary THR in 1995-1996, 2,537 (4.4%) had at least 1 revision THR by the end of 1999, with 1,437 (56.6%) of these revisions occurring within the first 18 months after the index primary THR. Median followup time was 47 months (range 0-54). Patients of high-volume surgeons were less likely to have revision THRs than patients of low-volume surgeons, regardless of hospital volume stratum. Further analysis revealed that the effect of surgeon volume on revisions was striking in the first 18 months after surgery but was not evident in the subsequent years. CONCLUSION: Patients of low-volume surgeons have higher rates of revision THR than patients of high-volume surgeons, particularly within the first 18 months postoperatively. Referring clinicians should consider including surgeon volume among the factors influencing their choice of surgeon for elective THR.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».