Presurgical Screening Improves Risk Prediction for Delirium in Elective Surgery of Older Patients: The PAWEL RISK Study
Notice bibliographique
Résumé
Introduction: The number of elective surgeries for patients who are over 70 years of age is continuously growing. At the same time, postoperative delirium (POD) is common in older patients (5–60%) depending on predisposing risk factors, such as multimorbidity, cognitive impairment, neurodegenerative disorders and other dementing disorders, and precipitating factors, such as duration of surgery. Knowledge of individual risk profiles prior to elective surgery may help to identify patients at increased risk for development of POD. In this study, clinical and cognitive risk factors for POD were investigated in patients undergoing various elective cardiac and non-cardiac surgeries. Methods: The PAWEL study is a prospective, interventional trial on delirium prevention. At baseline, 880 inpatients at five surgical centers were recruited for sub-sample PAWEL-R. Multimodal assessments included clinical renal function, medication, American Society of Anesthesiologists (ASA) Physical Status Classification System, geriatric and cognitive assessments, which comprised the Montreal Cognitive Assessment Scale (MoCA), Trail-making Test, and Digit Span backward. Delirium incidence was monitored postoperatively by the Confusion Assessment Method (CAM) and a chart review for up to a week or until discharge. Multivariate regression models and Chi-square Automatic Interaction Detectors (CHAID) analyses were performed using delirium incidence as the primary outcome. Results: Eighteen risk factors were investigated in elective cardiovascular and orthopedic or general surgery. A total of 208 out of 880 patients (24%) developed POD. A global regression model that included all risk variables predicted delirium incidence with high accuracy (AUC = 0.81; 95% CI 0.77, 0.85). A simpler model (clinical and cognitive variables; model CLIN-COG) of 10 factors that only included surgery type, multimorbidity, renal failure, polypharmacy, ASA, cut-to-suture time, and cognition (MoCA, Digit Span backward, and preexisting dementia), however, exhibited similar predictive accuracy (AUC = 0.80; 95% CI 0.76, 0.84). Conclusion: The risk of developing POD can be estimated by preoperative assessments, such as ASA classification, expected cut-to-suture time, and short cognitive screenings. This rather efficient approach predicted POD risk over all types of surgery. Thus, a basic risk assessment including a cognitive screen can help to stratify patients at low, medium, or high POD risk to provide targeted prevention and/or management strategies for patients at risk.
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 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 ».