Rates and predictors of hospital readmission after transcatheter aortic valve implantation
Notice bibliographique
Résumé
AIMS: To analyse reasons, timing and predictors of hospital readmissions after transcatheter aortic valve implantation (TAVI). METHODS AND RESULTS: Patients included in the Bern TAVI Registry between August 2007 and June 2014 were analysed. Fine and Gray competing risk regression was used to identify factors predictive of hospital readmission within 1 year after TAVI with bootstrap analysis for internal validation. Of 868 patients alive at discharge, 221 (25.4%) were readmitted within 1 year. Compared with patients not requiring readmission, those with at least one readmission more frequently were male and more often had atrial fibrillation and higher creatinine values (P < 0.05 for all cases). For overall 308 readmissions, cardiovascular causes accounted for 46.1% with heart failure as the most frequent indication; non-cardiovascular readmissions occurred for surgery (11.7%), gastrointestinal disorders (9.7%), malignancy (4.9%), respiratory diseases (4.6%) and chronic kidney failure (2.6%). Male gender (subhazard ratio, SHR, 1.33, 95% confidence intervals, CI, 1.02-1.73, P = 0.035) and stage 3 kidney injury (SHR 2.04, 95% CI 1.12-3.71, P = 0.021) were found independent risk factors for any hospital readmission, whereas previous myocardial infarction (SHR 1.88, 95% CI 1.22-2.90, P = 0.004) and in-hospital life-threatening bleeding (SHR 2.18, 95%CI 1.24-3.85, P = 0.007) were associated with cardiovascular readmissions. The event rate for mortality was significantly increased after readmissions for any cause (RR 4.29, 95% CI 2.86-6.42, P < 0.001). CONCLUSION: Hospital readmission was observed in one out of four patients during the first year after TAVI and was associated with a significant increase in mortality.
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 | 0,001 |
| 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 ».