Trends in Perioperative Venous Thromboembolism Associated with Major Noncardiac Surgery
Notice bibliographique
Résumé
BACKGROUND: Venous thromboembolism (VTE) is a common vascular complication of non-cardiac surgery. METHODS: We evaluated national trends in perioperative in-hospital VTE incidence, management, and outcomes using a large database of hospital admissions from the United States. Patients aged ≥ 45 years undergoing major non-cardiac surgery from 2005 to 2013 were identified from the National Inpatient Sample. In-hospital perioperative VTE was defined as lower extremity deep vein thrombosis (DVT) or pulmonary embolism (PE), and the incidence was evaluated over time. Multivariable regression models with demographics and comorbidities as covariates were generated to estimate adjusted odds ratios (aOR). RESULTS: Major non-cardiac surgery was performed in 9,431,442 hospitalizations that met inclusion criteria, and perioperative VTE occurred in 99,776 patients (1,057 per 100,000), corresponding to an annual incidence of ≈53,000 after applying sample weights. Over time, perioperative VTE per 100,000 surgeries increased by 135 (95% CI 107 - 163), from 925 in 2005 to 1,060 in 2013 (p for trend <0.001; aOR [for 2013 versus 2005] 1.22, 95% CI 1.19 - 1.26), due to increases in non-fatal VTE rates (from 840 [per 100,000 surgeries] in 2005 to 987 in 2013; p for trend <0.001). Perioperative VTE occurred most frequently in patients undergoing thoracic (2.0%) and vascular surgery (1.8%). Mortality was higher in patients with VTE than those without VTE (aOR 3.12, 95% CI 3.05 - 3.20). CONCLUSIONS: Perioperative VTE occurs in approximately 1% of patients ≥45 years undergoing major non-cardiac surgery, with increasing incidence of non-fatal VTE over time.
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 | 0,000 |
| 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 ».