Risk factors for urinary retention after urogynecologic surgery: A retrospective cohort study and prediction model
Notice bibliographique
Résumé
AIMS: Postoperative urinary retention (POUR) is a common complication of urogynecological surgery. Our study aimed to identify demographic and perioperative risk factors to construct a prediction model for POUR in urogynecology. METHODS: Our retrospective cohort study reviewed all patients undergoing pelvic reconstructive surgeries at our tertiary care center (Jan 1, 2013-May 1, 2019). Demographic, pre-, intra- and postoperative variables were collected from medical records. The primary outcome, POUR, was defined as (1) early POUR (E-POUR), failing initial trial of void or; (2) late POUR (L-POUR), requiring an indwelling catheter or intermittent catheterization on discharge. Risk factors were identified through univariate and multivariate logistic regression analyses. A clinical prediction model was constructed with the most significant and clinically relevant risk factors. RESULTS: In 501 women, 182 (36.3%) had E-POUR and 61 of these women (12.2% of the entire cohort) had L-POUR. Multivariate logistic regression revealed preoperative postvoid residual (PVR) over 200 ml (odds ratio [OR]: 3.17; p = 0.026), voiding dysfunction symptoms extracted from validated questionnaires (OR: 3.00; p = 0.030), and number of concomitant procedures (OR: 1.30 per procedure; p = 0.021) as significant predictors of E-POUR; preoperative PVR more than 200 ml (OR: 4.07; p = 0.011) and antiincontinence procedure with (OR: 3.34; p = 0.023) and without (OR: 2.64; p = 0.019) concomitant prolapse repair as significant predictors of L-POUR. A prediction model (area under the curve: 0.70) was developed for E-POUR. CONCLUSIONS: Elevated preoperative PVR is the most significant risk factor for POUR. Alongside other risk factors, our prediction model for POUR can be used for patient counseling and surgical planning in urogynecologic 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 ».