Association between perioperative fluid management and patient outcomes: a multicentre retrospective study
Notice bibliographique
Résumé
BACKGROUND: Postoperative complications increase hospital length of stay and patient mortality. Optimal perioperative fluid management should decrease patient complications. This study examined associations between fluid volume and noncardiac surgery patient outcomes within a large multicentre US surgical cohort. METHODS: Adults undergoing noncardiac procedures from January 1, 2012 to December 31, 2017, with a postoperative length of stay ≥24 h, were extracted from a large US electronic health record database. Patients were segmented into quintiles based on recorded perioperative fluid volumes with Quintile 3 (Q3) serving as the reference. The primary outcome was defined as a composite of any complications during the surgical admission and a postoperative length of stay ≥7 days. Secondary outcomes included in-hospital mortality, respiratory complications, and acute kidney injury. RESULTS: A total of 35 736 patients met the study criteria. There was a U-shaped pattern with highest (Q5) and lowest (Q1) quintiles of fluid volumes having increased odds of complications and a postoperative length of stay ≥7 days (Q5: odds ratio [OR] 1.51 [95% confidence interval {CI}: 1.30-1.74], P<0.001; Q1: OR 1.20 [95% CI: 1.04-1.38], P=0.011) compared with Q3. Patients in Q5 had greater odds of more severe acute kidney injury compared with Q3 (OR 1.52 [95% CI: 1.22-1.90]; P<0.001) and respiratory complications (OR 1.44 [95% CI: 1.17-1.77]; P<0.001). CONCLUSIONS: Both very high and very low perioperative fluid volumes were associated with an increase in complications after noncardiac 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.
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 ».