Improving Surgical Quality for Patients With Mental Illnesses
Notice bibliographique
Résumé
OBJECTIVE: The aim of this study was to identify disparities in care for surgical patients with preexisting mental health diagnoses. SUMMARY BACKGROUND DATA: Mental illness affects approximately 6.7 million Canadians. For them, stigma, comorbid disorders, and sequelae of psychiatric diagnoses can be barriers to equitable health care. The goal of this review is to define inequities in surgical care for patients with preexisting mental illness. METHODS: We searched OVID Medline, Pubmed, EMBASE, and the Cochrane review files using a combination of search terms using a PICO (population, intervention, comparison, outcome) model focusing on surgical care for patients with mental illness. RESULTS: The literature on mental illness in surgical patients focused primarily on preoperative and postoperative disparities in surgical care between patients with and without a diagnosis of mental illness. Preoperatively, patients were 7.5% to 40% less likely to be deemed surgical candidates, were less likely to receive testing, and were more likely to present at later stages of their disease or have delayed surgical care. Similar themes arose in the postoperative period: patients with mental illness were more likely to require ICU admission, were up to 3 times more likely to have a prolonged length of hospital stay, had a 14% to 270% increased likelihood of having postoperative complications, and had significantly higher health care costs. CONCLUSIONS: Surgical patients with preexisting psychiatric diagnoses have a propensity for worse perioperative outcomes compared to patients without reported mental illness. Taking a thorough psychiatric history can potentially help surgical teams address disparities in access to care as well as anticipate and prevent adverse 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 | 0,001 | 0,001 |
| 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 ».