Postoperative Recovery in Frail, Pre‐frail, and Non‐frail Elderly Patients Following Abdominal Surgery
Notice bibliographique
Résumé
BACKGROUND: The objective of this study is to explore the association between frailty and surgical recovery over a 6-month period, in elderly patients undergoing elective abdominal surgery. METHODS: A total of 144 patients were categorized as frail, pre-frail, and non-frail based on five criteria: weight loss, exhaustion, weakness, slowness, and low activity. Recovery to preoperative functional status (activities of daily living (ADL) and instrumental activities of daily living (IADL)), cognition, quality of life, and mental health was assessed at 1, 3, and 6 months postoperatively. A repeated measure logistic regression was used to analyze the effect of frailty on recovery over time. The effect of frailty on hospitalization outcomes was also evaluated. RESULTS: Mean age was 78 ± 5 years with 17.4% of patients categorized as frail, 60.4% pre-frail, and 22.2% non-frail. At 6 months, the percent of patients who had recovered to preoperative values were: ADL 90%; IADL 76%; cognition 75.5%; mental health 66%; and quality of life 70%. While more frail patients experienced adverse hospitalization outcomes and fewer had recovered to preoperative functional status, these differences were not found to be statistically significant. Overall, frailty status was not significantly associated with the trajectory of recovery or hospitalization outcomes. CONCLUSION: Strong, institutional commitment to quality surgical care, as well as appropriate strategies for older patients, may have mitigated the impact of frailty on recovery. Further research is needed to examine the role of frailty in the surgical recovery process.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».