The Effect of Perioperative Adverse Events on Long-Term Patient-Reported Outcomes After Lumbar Spine Surgery
Notice bibliographique
Résumé
BACKGROUND: Perioperative adverse events (AEs) lead to patient disappointment and greater costs. There is a paucity of data on how AEs affect long-term outcomes. OBJECTIVE: To examine perioperative AEs and their impact on outcome after lumbar spine surgery. METHODS: A total of 3556 consecutive patients undergoing surgery for lumbar degenerative disorders enrolled in the Canadian Spine Outcomes and Research Network were analyzed. AEs were defined using the validated Spine AdVerse Events Severity system. Outcomes at 3, 12, and 24 mo postoperatively included the Owestry Disability Index (ODI), 12-Item Short-Form Health Survey (SF-12) Physical (PCS) and Mental (MCS) Component Summary scales, visual analog scale (VAS) leg and back, EuroQol-5D (EQ5D), and satisfaction. RESULTS: AEs occurred in 767 (21.6%) patients, and 85 (2.4%) patients suffered major AEs. Patients with major AEs had worse ODI scores and did not reach minimum clinically important differences at 2 yr (no AE: 25.7 ± 19.2, major: 36.4 ± 19.1, P < .001). Major AEs were associated with worse ODI scores on multivariable linear regression (P = .011). PCS scores were lower after major AEs (43.8 ± 9.5, vs 37.7 ± 20.3, P = .002). On VAS leg and back and EQ5D, the 2-yr outcomes were significantly different between the major and no AE groups (<0.01), but these differences were small (VAS leg: 3.4 ± 3.0 vs 4.0 ± 3.3; VAS back: 3.5 ± 2.7 vs 4.5 ± 2.6; EQ5D: 0.75 ± 0.2 vs 0.64 ± 0.2). SF12 MCS scores were not different. Rates of satisfaction were lower after major AEs (no AE: 84.6%, major: 72.3%, P < .05). CONCLUSION: Major AEs after lumbar spine surgery lead to worse functional outcomes and lower satisfaction. This highlights the need to implement strategies aimed at reducing AEs.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 ».