Feasibility of laparoscopic partial nephrectomy in the obese patient and assessment of predictors of perioperative outcomes
Notice bibliographique
Résumé
Introduction: Partial nephrectomy is the gold standard for treatment of small renal masses. Our study compares outcomes for obese (body mass index [BMI] ≥30) and healthy (BMI <30) patients undergoing laparoscopic partial nephrectomy (LPN) with the intention of defining preoperative risk factors for complications and renal insufficiency in the obese. Materials and Methods: We conducted a retrospective review of 187 consecutive patients who underwent LPN. We examined the association between BMI and postoperative complication, estimated blood loss (EBL), hospital length of stay, warm ischemic time (WIT), and postoperative renal function. We did similar analyses using the RENAL nephrometry score and the comorbidity status of the patients. Results: We found no statistically significant increase in complications in obese (BMI ≥30) individuals relative to healthy (BMI <30) patients. The obese experienced approximately 100 cc more EBL (P = 0.0111). Patients experienced more complications if they had a Charlson comorbidity score ≥3 (P = 0.0065), an American Association of Anesthesiologists score ≥3 (P = 0.0042), or a history of diabetes mellitus (P = 0.0196). There was no association between RENAL nephrometry score and complication. However, patients with a score ≥8 experienced higher WIT (P = 0.0022), a greater decline in estimated glomerular filtration rate postoperatively (P = 0.0488), and an increased risk of developing chronic kidney disease ≥3 (P = 0.0065). Conclusions: Obese patients undergoing LPN are not at significantly increased risk of complication relative to nonobese patients. Comorbidity status and RENAL nephrometry score, independent of BMI, should be the main considerations of a patient's suitability for LPN.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».