Preoperative Sedative-hypnotic Medication Use and Adverse Postoperative Outcomes
Notice bibliographique
Résumé
OBJECTIVE: To determine the association between preoperative benzodiazepine and nonbenzodiazepine receptor agonist ("Z-drugs") use and adverse outcomes after surgery. BACKGROUND: Prescriptions for benzodiazepines and Z-drugs have increased over the past decade. Despite this, the association of preoperative benzodiazepines and Z-drug receipt with adverse outcomes after surgery is unknown. METHODS: Using the Optum Clinformatics Datamart, we performed a retrospective cohort study of adults 18 years or older who underwent any of 10 common surgical procedures between 2010 and 2015. The principal exposure was one or more filled prescriptions for a benzodiazepine or Z-drug in the 90 days before surgery. The primary outcome was any emergency department visit or hospital admission for either (1) a drug related adverse medical event or overdose or (2) a traumatic injury in the 30 days after surgery. RESULTS: Of 785,346 patients meeting inclusion criteria, 94,887 (12.1%) filled a preoperative prescription for a benzodiazepine or Z-drug. From multivariable logistic regression, benzodiazepine or Z-drug use was associated with an increased odds of an adverse postoperative event [odds ratio 1.13; 95% confidence interval: 1.08-1.18). In a separate regression, coprescription of benzodiazepines or Z-drugs with opioids was associated with a 1.45 odds of an adverse postoperative event (95% confidence interval: 1.37-1.53). CONCLUSIONS: Preoperative benzodiazepines and Z-drug use is common and associated with increased odds of adverse outcomes after surgery, particularly when coprescribed with opioids. Counseling on appropriate benzodiazepine and Z-drug use in advance of elective surgery may potentially increase the safety of surgical care.
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 | 0,000 | 0,001 |
| 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 ».