The Effect of Preoperative Pneumonia on Postsurgical Mortality and Morbidity: A NSQIP Analysis
Notice bibliographique
Résumé
BACKGROUND: Currently, only indirect evidence suggests that preoperative pneumonia is a significant risk factor for poor postsurgical outcomes. Although this relationship is clinically intuitive, this is the first study that aims to quantify the extent to which pneumonia impacts morbidity and mortality. The objective of this study was to determine the impact of preoperative pneumonia on 30-day mortality and morbidity among both elective and emergency surgical patients. METHODS: We conducted a retrospective cohort study using 2008-2012 data from the American College of Surgeons National Surgical Quality Improvement Program database. Patients with preoperative pneumonia were matched to controls without preoperative pneumonia. Patient demographics and postoperative outcomes were extracted from the database, including 30-day mortality, specific morbidities (wound, cardiac, respiratory, urinary, central nervous system, thromboembolism and sepsis), composite morbidity, number of blood transfusions and number of patients that returned to the OR. Mortality and composite morbidity were further stratified. RESULTS: We obtained data for 137,174 patients, of whom 6933 (0.50%) had preoperative pneumonia. Overall, 6111 were successfully matched to 24,444 patients with no pneumonia. Postoperative mortality and composite morbidity were both higher in patients with pneumonia than in those without pneumonia, with an odds ratio of 1.37 (95% CI 1.26-1.48) and 1.68 (95% CI 1.58-1.79), respectively. CONCLUSION: Preoperative pneumonia significantly increased the rate of postoperative morbidity and mortality across several surgical settings and patient groups. It is our recommendation that elective surgery be delayed until after the pneumonia resolves.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».