Post-operative pain following cardiac implantable electronic device implantation: insights from the BRUISE CONTROL trials
Notice bibliographique
Résumé
AIMS: Post-operative pain following cardiac implantable electronic device (CIED) insertion is associated with patient dissatisfaction, emotional distress, and emergency department visits. We sought to identify factors associated with post-operative pain and develop a prediction score for post-operative pain. METHODS AND RESULTS: All patients from the BRUISE CONTROL-1 and 2 trials were included in this analysis. A validated Visual Analogue Scale (VAS) was used to assess the severity of pain related to CIED implant procedures. Patients were asked to grade the most severe post-operative pain, average post-operative pain, and pain on the day of the first post-operative clinic. Multivariable regression analyses were performed to identify predictors of significant post-operative pain and to develop a pain-prediction score. A total of 1308 patients were included. Multivariable regression analysis found that the presence of post-operative clinically significant haematoma {CSH; P value < 0.001; odds ratio (OR) 3.82 [95% confidence interval (CI): 2.37-6.16]}, de novo CIED implantation [P value < 0.001; OR 1.90 (95% CI: 1.47-2.46)], female sex [P value < 0.001; OR 1.61 (95% CI: 1.22-2.12)], younger age [<65 years; P value < 0.001; OR 1.54 (95% CI: 1.14-2.10)], and lower body mass index [<20 kg/m2; P value < 0.05; OR 2.05 (95% CI: 0.98-4.28)] demonstrated strong and independent associations with increased post-operative pain. An 11-point post-operative pain prediction score was developed using the data. CONCLUSION: Our study has identified multiple predictors of post-operative pain after CIED insertion. We have developed a prediction score for post-operative pain that can be used to identify individuals at risk of experiencing significant post-operative pain.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».