Mortality by Timing of Hip Fracture Surgery
Notice bibliographique
Résumé
In hip fracture care, it is disputed whether mortality worsens when surgery is delayed. This knowledge gap matters when hospital managers seek to justify resource allocation for prioritizing access to one procedure over another. Uncertainty over the surgical timing-death association leads to either surgical prioritization without benefit or the underuse of expedited surgery when it could save lives. The discrepancy in previous findings results in part from differences between patients who happened to undergo surgery at different times. Such differences may produce the statistical association between surgical timing and death in the absence of a causal relationship. Previous observational studies attempted to adjust for structure, process, and patient factors that contribute to death, but not for relationships between structure and process factors, or between patient and process factors. In this article, we (1) summarize what is known about the factors that influence, directly or indirectly, both the timing of surgery and the occurrence of death; (2) construct a dependency graph of relationships among these factors based explicitly on the existing literature; (3) consider factors with a potential to induce covariation of time to surgery and the occurrence of death, directly or through the network of relationships, thereby explaining a putative surgical timing-death association; and (4) show how age, sex, dependent living, fracture type, hospital type, surgery type, and calendar period can influence both time to surgery and occurrence of death through chains of dependencies. We conclude by discussing how these results can inform the allocation of surgical capacity to prevent the avoidable adverse consequences of delaying hip fracture surgery.
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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,008 | 0,003 |
| Bibliométrie | 0,001 | 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 | 0,001 | 0,001 |
| 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 ».