Systematic review of grading systems for adverse surgical outcomes
Notice bibliographique
Résumé
Background: Grading scales for adverse surgical outcomes have been poorly characterized to date. The primary aim of this study was to conduct a systematic review to enumerate the various frameworks for grading adverse postoperative outcomes; our secondary objective was to outline the properties of each grading system, identifying its strengths and weaknesses. Methods: We searched 9 databases (Africa Wide Information, Biosis, Cochrane, Embase, Global Health, LILACs, Medline, PubMed and Web of Science) from 1992 (the year the Clavien-Dindo classification system was developed) until Mar. 2, 2017, for studies that aimed to develop or improve on an already existing generalizable system for grading adverse postoperative outcomes. Study selection was duplicated as per PRISMA recommendations. Procedure-specific grading systems were excluded. We assessed the framework, strengths and weaknesses of the systems qualitatively. Results: We identified 9 studies on 8 adverse outcome grading systems with frameworks generalizable to any surgical procedure. Most systems have not been widely incorporated in the literature. Seven of the 8 systems were produced without including patients' perspectives. Four allowed the derivation of a composite morbidity score, which had limited tangible significance for patients. Conclusion: Although each instrument identified offered its own advantages, none satisfied the need for a patient-centred tool capable of generating a composite score of all possible postoperative adverse outcomes (complications, sequelae and failure) that enables comparison of noninterventional and surgical management of disease. There is a need for development of a more comprehensive, patient-centred grading system for adverse postoperative outcomes.
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 | 0,004 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,019 | 0,011 |
| Bibliométrie | 0,001 | 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) | 0,000 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».