Iron deficiency in bariatric surgery patients: a single-centre experience over 5 years
Notice bibliographique
Résumé
Background: As the prevalence of obesity has increased, so too has the demand for bariatric surgery. This study aimed to determine the incidence of postoperative iron deficiency and anemia and the impact of an increased preoperative ferritin target on postoperative outcomes. Methods: Patients undergoing bariatric surgery in Winnipeg from 2010 to 2014 were included in the analysis. Data capture included age, sex and date of surgery and iron, ferritin and hemoglobin levels before surgery and 12 months postoperatively. Before 2014, there was no protocol for preoperative iron supplementation at our centre; in 2014, a more aggressive preoperative iron supplementation program was introduced to target a minimum preoperative ferritin level of 50 mg/L. Data were analyzed using unpaired t tests, paired t tests and χ2 tests. Results: A total of 399 patients were considered; 288 were included in the analysis. The incidence of iron and ferritin deficiency and anemia at 12 months postoperatively was 14.6%, 9.3% and 15.0%, respectively. In patients who underwent surgery before 2014, the 12-month postoperative levels of iron and ferritin were 12.9 mmol/L and 64.0 mg/L, respectively; patients who underwent surgery in 2014 had levels of 18.3 mmol/L and 124.0 mg/L, respectively (all p = 0.001). The 12-month postoperative hemoglobin levels did not significantly differ between the 2 groups. Conclusion: Bariatric surgery performed with more aggressive preoperative iron supplementation is associated with increased iron and ferritin levels at 1 year postoperatively. As this improves overall clinical outcomes by avoiding iron deficiency and anemia, a minimum preoperative ferritin target should be implemented in metabolic and bariatric surgery programs.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 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 ».