Does intensive insulin therapy really reduce mortality in critically ill surgical patients? A reanalysis of meta-analytic data
Notice bibliographique
Résumé
Two recent systematic reviews evaluating intensive insulin therapy (IIT) in critically ill patients grouped randomized controlled trials (RCTs) by type of intensive care unit (ICU). The more recent review found that IIT reduced mortality in patients admitted to a surgical ICU, but not in those admitted to medical ICUs or mixed medical-surgical ICUs, or in all patients combined. Our objective was to determine whether IIT saves lives in critically ill surgical patients regardless of the type of ICU. Pooling mortality data from surgical and medical subgroups in mixed-ICU RCTs (16 trials) with RCTs conducted exclusively in surgical ICUs (five trials) and in medical ICUs (five trials), respectively, showed no effect of IIT in the subgroups of surgical patients (risk ratio = 0.85, 95% confidence interval (CI) = 0.69 to 1.04, P = 0.11; I2 = 51%, 95% CI = 1 to 75%) or of medical patients (risk ratio = 1.02, 95% CI = 0.95 to 1.09, P = 0.61; I2 = 0%, 95% CI = 0 to 41%). There was no differential effect between subgroups (interaction P = 0.10). There was statistical heterogeneity in the surgical subgroup, with some trials demonstrating significant benefit and others demonstrating significant harm, but no surgical subgroup consistently benefited from IIT. Such a reanalysis suggests that IIT does not reduce mortality in critically ill surgical patients or medical patients. Further insights may come from individual patient data meta-analyses or from future large multicenter RCTs in more narrowly defined subgroups of surgical 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 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 | 0,057 | 0,117 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,019 | 0,053 |
| Bibliométrie | 0,009 | 0,008 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».