Clinical and Surgical Predictors of Specific Complications following Surgery for the Treatment of Degenerative Cervical Myelopathy: Results from the Multicenter, Prospective AOSpine International Study on 479 Patients
Notice bibliographique
Résumé
Introduction This study aimed to identify important clinical and surgical predictors of perioperative complications in patients with CSM. This knowledge will help clinicians recognize their high-risk patients and allow them to institute appropriate prevention plans. Material and Methods This study aimed to identify important clinical and surgical predictors of perioperative complications in patients with CSM. This knowledge will help clinicians recognize their high-risk patients and allow them to institute appropriate prevention plans. Results A total of 80 patients experienced 92 perioperative complications (16.7%). Univariately, the major clinical risk factors were OPLL ( p = 0.022), the number of comorbidities ( p = 0.020), diabetes ( p = 0.004), and coexisting gastrointestinal disorders ( p = 0.045). Patients undergoing a two-stage surgery and those with a longer operative duration were also at a greater risk of perioperative complications. A final model consisted of diabetes (OR = 2.35, p = 0.039), age (OR = 1.02, 0.25), operative duration (OR = 1.003, p = 0.17), two-stage surgery (OR = 20.37, p = 0.012), OPLL (OR = 1.82, p = 0.064), gastrointestinal comorbidities (OR = 2.53, p = 0.020), and BMI (OR = 1.06, p = 0.10). Conclusion Patients are at a higher risk of perioperative complications if they are older; have OPLL, a higher BMI, diabetes or gastrointestinal disorders; and if they undergo a two-stage surgery and a long operation.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,000 | 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 ».