Risk factors of postoperative delirium after liver transplantation: a systematic review and meta-analysis
Notice bibliographique
Résumé
INTRODUCTION: The aim of this study was to summarize the incidence and risk factors of postoperative delirium (POD) after liver transplantation (LT) and associations of POD after LT with outcomes. EVIDENCE ACQUISITION: A literature search of Pubmed, EMBASE, and the Cochrane Databases was performed to identify studies reporting POD after LT. The Newcastle-Ottawa Scale was used to rate study quality. Effect estimates were extracted and combined using random-effect model. Pooled mean differences and odds ratios for individual risk factors were calculated using inverse-variance method and Mantel-Haenszel method, as appropriate. EVIDENCE SYNTHESIS: Eight articles with 1434 patients were included in the meta-analysis. Overall, the pooled estimated incidence rates of POD after LT were 30% (95% confidence interval: 20-39%). Fourteen statistically significant risk factors were identified in the pooled analysis: alcohol excess, preoperative renal replacement therapy (RRT), preoperative hospital length of stay (LOS), depression, hepatic encephalopathy, alcohol etiology of liver failure, Child-Turcotte-Pugh Score, APACHE II Score, MELD Score, preoperative INR, preoperative bilirubin, intraoperative use of fentanyl, intraoperative RBC transfusion, postoperative ammonia. Patients with POD had a significantly increased mechanical ventilation, postoperative RRT, LOS and mortality rate compared with those without POD. CONCLUSIONS: POD after LT was common and multifactorial in etiology. There are significant associations of POD after LT with some clinical outcomes. Effective interventions during perioperative period may be promising to reduce the risk of POD after LT.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,013 | 0,005 |
| Bibliométrie | 0,000 | 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 ».