Surgical aortic valve replacement and patient–prosthesis mismatch: a meta-analysis of 108 182 patients
Notice bibliographique
Résumé
OBJECTIVES: This study sought to evaluate the impact of patient-prosthesis mismatch (PPM) on the risk of perioperative, early-, mid- and long-term mortality rates after surgical aortic valve replacement. METHODS: Databases were searched for studies published until March 2018. The main outcomes of interest were perioperative mortality, 1-year mortality, 5-year mortality and 10-year mortality. RESULTS: The search yielded 3761 studies for inclusion. Of these, 70 articles were analysed, and their data were extracted. The total number of patients included was 108 182 who underwent surgical aortic valve replacement. The incidence of PPM after surgical aortic valve replacement was 53.7% (58 116 with PPM and 50 066 without PPM). Perioperative mortality [odds ratio (OR) 1.491, 95% confidence interval (CI) 1.302-1.707; P < 0.001], 1-year mortality (OR 1.465, 95% CI 1.277-1.681; P < 0.001), 5-year mortality (OR 1.358, 95% CI 1.218-1.515; P < 0.001) and 10-year mortality (OR 1.534, 95% CI 1.290-1.825; P < 0.001) were increased in patients with PPM. Both severe PPM and moderate PPM were associated with increased risk of perioperative mortality, 1-year mortality, 5-year mortality and 10-year mortality when analysed together and separately, although we observed a higher risk in the group with severe PPM. CONCLUSIONS: Moderate/severe PPM increases perioperative, early-, mid- and long-term mortality rates proportionally to its severity. The findings of this study support the implementation of surgical strategies to prevent PPM in order to decrease mortality rates.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,011 | 0,043 |
| Bibliométrie | 0,002 | 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 ».