Preoperative factors predicting poor outcomes following laparoscopic choledochotomy: a multivariate analysis study
Notice bibliographique
Résumé
BACKGROUND: Laparoscopic surgery for common bile duct stones varies procedurally from a transcystic approach to laparoscopic choledochotomy (LC) with or without biliary drainage. However, LC is a difficult procedure with higher documented morbidity than the transcystic approach. We retrospectively investigated risk factors for adverse outcomes of LC. METHODS: We used logistic regression models to assess 4 categories of adverse outcomes: overall, complications, conversion to open operation and failed surgical clearance. We calculated the area under the receiver operating characteristic curve to evaluate diagnostic accuracy. RESULTS: We included 201 patients who underwent LC in our analysis. Adverse outcomes occurred in 48 (23.9%) patients, complications occurred in 43 (21.4%), retained stones were observed in 8 (4%), and conversion to laparotomy occurred in 7 (3.5%). Multivariate analysis showed that total bilirubin (BIL) and the presence of medical risk factors (MRFs) were significant predictors of adverse outcomes and complications. We calculated the probability of adverse outcomes (p) using the following formula: logit(p) = 0.977 (MRFs) + 0.014 (BIL) - 2.919. p = EXP (logit(p)) ÷ [1+EXP (logit(p))]. According to their logit(p), all patients were divided into a low-risk group (logit(p) ≤ -1.32, n = 130) and a high-risk group (logit(p) > -1.32, n = 71). Patients in the low-risk group had about a 1 in 10 chance (12 of 130) of adverse outcomes developing. Of the 71 patients in the high-risk group, 36 (50.7%) experienced adverse outcomes. CONCLUSION: High BIL and the presence of MRFs could predict adverse outcomes in patients undergoing LC.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».