Patient‐prosthesis mismatch and surgical aortic valve replacement outcomes: Retrospective analysis of single‐center surgical data
Notice bibliographique
Résumé
BACKGROUND: Patient-prosthesis mismatch (PPM) has been identified as a risk factor for mortality and reoperation in patients undergoing surgical aortic valve replacement (SAVR). We present a retrospective analysis of risk factors for PPM and the effects of PPM on early postoperative outcomes after SAVR. METHODS: Chart review was conducted for patients (N = 3003) undergoing SAVR. PPM was calculated from valve reference orifice areas and patient body surface area. Logistic regression was used to analyze risk factors for PPM and develop a risk score from these results. Regression was also conducted to identify associations between projected PPM status and postoperative outcomes. RESULTS: Risk factors for PPM included female sex, higher body mass index (BMI), and use of the St. Jude Epic valve. Patients receiving St. Jude trifecta valves or mechanical valves were less likely to have predicted PPM. We developed a risk score using BMI, sex, and valve type, and retrospectively predicted PPM in our cohort. Mild PPM (odds ratio [OR] = 2.267), severe PPM (OR = 2.869), male sex (OR = 2.091), and younger age (OR = 0.940) were all predictors of SAVR reoperation, while aortic root replacement was associated with reduced reoperation rates (OR = 0.122). Severe PPM carried a risk of in-hospital mortality (OR = 3.599), and moderate PPM carried a smaller but significant risk (OR = 1.920). Other factors increasing postoperative morbidity and mortality included older age, renal failure, and diabetes. CONCLUSION: PPM could be retrospectively predicted in our cohort using a risk calculation from sex, BMI and valve type. We conclude that all degrees of PPM carry risk for mortality and reoperation.
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) | 0,002 | 0,006 |
| 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) | 0,000 | 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 ».