Predictors of in-hospital mortality and complications in very elderly patients undergoing emergency surgery
Notice bibliographique
Résumé
INTRODUCTION: With the increasing aging population demographics and life expectancies the number of very elderly patients (age ≥ 80) undergoing emergency surgery is expected to rise. This investigation examines the outcomes in very elderly patients undergoing emergency general surgery, including predictors of in-hospital mortality and morbidity. METHODS: A retrospective study of patients aged 80 and above undergoing emergency surgery between 2008 and 2010 at a tertiary care facility in Canada was conducted. Demographics, comorbidities, surgical indications, and perioperative risk assessment data were collected. Outcomes included length of hospitalization, discharge destination, and in-hospital mortality and morbidity. Multivariable logistic regression was used to identify predictors of in-hospital mortality and complications. RESULTS: Of the 170 patient admissions, the mean age was 84 years and the in-hospital mortality rate was 14.7%. Comorbidities were present in 91% of this older patient population. Over 60% of the patients required further services or alternate level of care on discharge. American Society of Anesthesiologist Physical Status (ASA) Classification (OR 5.30, 95% CI 1.774-15.817, p = 0.003) and the development of an in-hospital complications (OR 2.51, 95% CI 1.210-5.187, p = 0.013) were independent predictors of postoperative mortality. Chronological age or number of comorbidities was not predictive of surgical outcome. CONCLUSIONS: Mortality, complication rates and post-discharge care requirements were high in very elderly patients undergoing emergency general surgery. Advanced age and medical comorbidities alone should not be the limiting factors for surgical referral or treatment. This study illustrates the importance of preventing an in-hospital complication in this very vulnerable population. ASA class is a robust tool which is predictive of mortality in the very elderly population and can be used to guide patient and family counseling in the emergency setting.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 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 ».