Clinical Predictions and Decisions to Perform Cardiac Surgery on High-Risk Patients
Notice bibliographique
Résumé
The proportion of high-risk patients undergoing cardiac surgery has increased steadily over the last two decades. Many of those patients have a catastrophic postoperative course and use hospital resources in a proportion that largely outweighs their number. Consequently, the appropriateness of invasive and intensive interventions in those patients has been questioned. If futility of care were predictable preoperatively, cardiac surgery would probably be denied to many high-risk patients. Logistic regression has been used to develop many complex predictive models to identify high-risk patients and predict their outcome; however, those models do not provide much more discrimination than clinical judgment alone. Moreover, with continuous improvement in medical care all risk models lose their calibration over time. As a result, they often overestimate the probabilities of poor outcome in the individual patients. Many high-risk cardiac surgical patients require a prolonged stay in the intensive care unit (ICU). The analysis of small cohorts of patients who had a prolonged postoperative stay in the ICU shows that 50% and 40% of them are still alive at 1- and 2-year follow-up, respectively; and most survivors report a good quality of life. Considering the limitations of predictive risk models and the satisfaction of cardiac surgical patients who survive after a prolonged ICU stay, it is reasonable to recognize that cardiac surgery should rarely be denied to high-risk patients unless technically unfeasible, and clinical predictions should have only a marginal role in the decision to operate on those patients.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,004 |
| Bibliométrie | 0,001 | 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 | 0,001 | 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 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 ».