Preoperative frailty predicts adverse short‐term postoperative outcomes in patients treated with radical nephroureterectomy
Notice bibliographique
Résumé
BACKGROUND: To investigate the effect of frailty on short-term postoperative outcomes and total hospital charges (THCs) in patients with non-metastatic upper urinary tract carcinoma, treated with radical nephroureterectomy (RNU). METHODS: Within the National Inpatient Sample (NIS) database we identified 11 258 RNU patients (2000-2015). We used the Johns Hopkins frailty-indicator to stratify patients according to frailty status. Time trends and multivariable logistic, Poisson and linear regression models were applied. RESULTS: Overall, 1801 (16.0%) patients were frail, 4664 (41.4%) were older than 75 years and 1530 (13.6%) had Charlson comorbidity index ≥2. Rates of frail patients increased over time, from 7.3% to 24.9% (P < .001). Frail patients exhibited higher rates (all P < .05) of overall complications (62.6% vs 50.9%), in-hospital mortality (1.6% vs 1.0%), non-home-based discharge (22.7% vs 12.1%), longer length of stay (LOS) (6 vs 1 day) and higher THCs ($49 539 vs $39 644). Moreover, frailty independently predicted (all P < .05) overall complications (OR, 1.46), in-hospital mortality (OR, 1.52), non-home-based discharge (OR, 1.36), longer LOS (RR, 1.30) and higher THCs (RR, +$11 806). CONCLUSION: Preoperative frailty is important in RNU patients. One of four RNU patients is frail. Moreover, frailty predicts short-term postoperative complications, as well as longer LOS and higher THCs after RNU.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».