Incidence and predictors of early and late hospital readmission after transurethral resection of the prostate: a population‐based cohort study
Notice bibliographique
Résumé
OBJECTIVES: To evaluate the incidence and predictors of hospital readmission and emergency department (ED) visits in patients with benign prostatic hyperplasia treated by transurethral resection of the prostate (TURP). PATIENTS AND METHODS: We conducted a retrospective cohort study using a linked administrative dataset from Calgary, Canada. Participants were men who underwent their first TURP procedure between 2015 and 2017. We examined patient demographics, and type of surgery (elective or urgent). Comorbidities were scored using the Charlson comorbidity index (CCI). The primary outcomes were unplanned hospital readmissions and ED visits at 30, 60 and 90 days after TURP. The secondary aim was to identify potential predictors across these groups. RESULTS: We identified 3059 men, most of whom underwent elective TURP (83%). The mean (sd) patient age was 71.0 (10.0) years. A total of 224 patients (7.4%) were readmitted to the hospital within 30 days, 290 (9.5%) within 60 days, and 339 (11.1%) within 90 days of discharge. The frequency of return visits within 30, 60 and 90 days of TURP were 21.4%, 26% and 28.6%, respectively. The most responsible diagnoses for ED visit within 90 days were haematuria (15.4%) and retention of urine (12.8%). Multivariable analysis showed that age (odds ratio [OR] 1.61, P < 0.001), surgery type (OR 2.20, P < 0.001), and CCI score (OR 2.03, P < 0.001) were independently associated with odds of readmission and ED visits at all time points. CONCLUSION: Older age, poorer health and urgent surgery predicted return to ED or readmission after TURP; efforts should be made to improve selection, counselling and preoperative optimization based on these risks.
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 | 0,000 |
| 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) | 0,000 | 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 ».