Frailty as a Predictor of Postoperative Morbidity and Mortality Following Liver Resection
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background Liver resection is commonly performed among patients at risk of being frail. Frailty can be used to assess perioperative risk. Thus, we evaluated frailty as a predictor of postoperative complications following liver resection using a validated modified frailty index (mFI). Methods A retrospective cohort of consecutive patients undergoing liver resection (2011-2018) were stratified according to the mFI and classified as the following: high (≥.27) and low mFI (<.27). The effect of mFI on postoperative complications (Clavien-Dindo) was evaluated using multiple logistic regression, expressed as odds ratios (OR) and 95% CI. Results Of 409 patients, 58 (14%) had high mFI. There were no differences in type of liver resection (laparoscopic: 57% vs 55%, P = .766), number of segments resected (3 vs 4, P = .417), or operative time (257 vs 293 minutes, P = .097) between the high and low mFI groups, respectively. High mFI patients had a longer median length of hospital stay (9.5 vs 5 days, P < .001) and higher proportion of postoperative complications (79% vs 46%, P < .001), including minor complications (69% vs 42%, P < .001), major complications (50% vs 13%, P < .001), and 90-day postoperative mortality (12% vs 3.4%, P = .04). On multivariable analysis, longer operating time (OR 1.15, 95% CI, 1.03 to 1.27), higher number of segments resected (OR 1.43, 95% CI, 1.12 to 1.82), and high mFI (OR 6.74, 95% CI, 2.76 to 16.51) were independent predictors of major postoperative complications. Discussion mFI predicts postoperative outcomes following liver resection and can be used as a risk stratification tool for patients being considered for surgery.
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.
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 | 0,001 |
| 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 découle