The Association of Frailty With Outcomes and Resource Use After Emergency General Surgery: A Population-Based Cohort Study
Notice bibliographique
Résumé
BACKGROUND: Older patients undergoing emergency general surgery (EGS) experience high rates of postoperative morbidity and mortality. Studies focused primarily on elective surgery indicate that frailty is an important predictor of adverse outcomes in older surgical patients. The population-level effect of frailty on EGS is poorly described. Therefore, our objective was to measure the association of preoperative frailty with outcomes in a population of older patients undergoing EGS. METHODS: We created a population-based cohort study using linked administrative data in Ontario, Canada, that included community-dwelling individuals aged >65 years having EGS. Our main exposure was preoperative frailty, as defined by the Johns Hopkins Adjusted Clinical Groups frailty-defining diagnoses indicator. The Adjusted Clinical Groups frailty-defining diagnoses indicator is a binary variable that uses 12 clusters of frailty-defining diagnoses. Our main outcome measures were 1-year all-cause mortality (primary), intensive care unit admission, length of stay, institutional discharge, and costs of care (secondary). RESULTS: Of 77,184 patients, 19,779 (25.6%) were frail. Death within 1 year occurred in 6626 (33.5%) frail patients compared with 11,366 (19.8%) nonfrail patients. After adjustment for sociodemographic and surgical confounders, this resulted in a hazard ratio of 1.29 (95% confidence interval [CI] 1.25-1.33). The risk of death for frail patients varied significantly across the postoperative period and was particularly high immediately after surgery (hazard ratio on postoperative day 1 = 23.1, 95% CI 22.3-24.1). Frailty was adversely associated with all secondary outcomes, including a 5.82-fold increase in the adjusted odds of institutional discharge (95% CI 5.53-6.12). CONCLUSIONS: After EGS, frailty is associated with increased rates of mortality, institutional discharge, and resource use. Strategies that might improve perioperative outcomes in frail EGS patients need to be developed and tested.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».