MétaCan
Menu
Retour à la cohorte
Enregistrement W3005377672 · doi:10.1093/ageing/afz196.02

100 Prevalence of Cognitive Impairment in Vascular Surgery Patients: Preliminary Results of A Systematic Review and Meta-Analysis

2020· review· en· W3005377672 sur OpenAlexaboutno aff
John S M Houghton, Andrew Nickinson, Sarah Nduwayo, Bernadeta Bridgwood, Coral Pepper, Harjeet Rayt, Laura J. Gray, Victoria J. Haunton, Robert D. Sayers

Notice bibliographique

RevueAge and Ageing · 2020
Typereview
Langueen
DomaineMedicine
ThématiqueCardiac, Anesthesia and Surgical Outcomes
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMedicineMeta-analysisMEDLINESubgroup analysisConfidence intervalPublication biasInclusion and exclusion criteriaSystematic reviewCINAHLInternal medicinePhysical therapyPsychiatryPsychological interventionPathology

Résumé

récupéré en direct d'OpenAlex

Abstract Introduction Single-centre studies have shown a high prevalence of undiagnosed cognitive impairment in patients undergoing vascular surgery. The aim of this meta-analysis was to estimate the pooled prevalence of cognitive impairment in vascular surgery patients. Methods A systematic review and meta-analysis was performed of studies reporting cognitive impairment in vascular surgery patients (PROSPERO registration: CRD42019134684). Databases searched included: Medline, Embase, Emcare, CINAHL, PsychINFO and Scopus. Studies were excluded if they: did not use a validated cognitive assessment tool, included patients with asymptomatic or sub-threshold (for treatment) disease, or excluded patients with cognitive impairment. Quality of included studies was assessed using Newcastle-Ottawa scores (NOS), risk of bias was assessed using the ROBINS-E tool, and quality of evidence assessed using GRADE criteria. A pooled estimate of prevalence was calculated using the inverse-variance method separately for carotid artery disease (CAD), lower extremity arterial disease (LEAD), and studies including patients with multiple vascular surgery presentations. Data were pooled using random effects models and estimated prevalence presented with 95% confidence intervals (95%CI). Subgroup analyses were performed by cognitive assessment tool used. Authors of 24 studies meeting inclusion criteria that did not report numbers of cognitively impaired patients were contacted to enable inclusion: responses are awaited. Results After de-duplication of search results, 7,169 records were screened and 11 studies (911 patients) included in the meta-analysis. Nine studies were deemed high quality (NOS ≥7) however 8 studies had a serious risk of bias. Only one study explicitly stated provision for recruiting patients without capacity. Six different tools were used to assess cognitive function (MoCA, MMSE, ACE-R, HDS-R, Mini-Cog and a global cognitive score). Two studies found an association of cognitive impairment with post-op delirium whilst one did not, and a further study showed an association with increased length of stay. Pooled estimate of prevalence of cognitive impairment in CAD patients was 38% (95%CI 17%, 62%; 7 studies), and in “vascular surgery patients” was 61% (95%CI 47%, 74%, 3 studies). Only one study reported prevalence of cognitive impairment in LEAD patients alone of 19% (95%CI 14%, 24%). Quality of evidence was moderate to very low. Conclusions Cognitive impairment is highly prevalent in vascular surgery patients highlighting the need for close collaboration between vascular surgeons and geriatricians.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,029
score de la tête « metaresearch » (Gemma)0,061
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Méta-analyse · Signal consensuel: Méta-analyse
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,029
Score d'incertitude au seuil0,151

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0290,061
Méta-épidémiologie (sens strict)0,0030,002
Méta-épidémiologie (sens large)0,0170,047
Bibliométrie0,0090,010
Études des sciences et des technologies0,0010,001
Communication savante0,0050,002
Science ouverte0,0020,002
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,062
Tête enseignante GPT0,320
Écart entre enseignants0,259 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeMéta-analyse
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAge and AgeingMême sujetCardiac, Anesthesia and Surgical OutcomesTravaux en français237 207