MétaCan
Menu
Retour à la cohorte
Enregistrement W3195395119 · doi:10.1177/00034894211041222

Above and Beyond Age: Prediction of Major Postoperative Adverse Events in Head and Neck Surgery

2021· article· en· W3195395119 sur OpenAlexaff
Marco A. Mascarella, Nikesh Muthukrishnan, Farhad Maleki, Marie‐Jeanne Kergoat, Keith Richardson, Alex Mlynarek, Véronique‐Isabelle Forest, Caroline Reinhold, Diego R. Martín, Michael P. Hier, Nader Sadeghi, Reza Forghani

Notice bibliographique

RevueAnnals of Otology Rhinology & Laryngology · 2021
Typearticle
Langueen
DomaineMedicine
ThématiqueCardiac, Anesthesia and Surgical Outcomes
Établissements canadiensUniversité de MontréalMcGill University Health CentreMcGill UniversityJewish General Hospital
Organismes subventionnairesnon disponible
Mots-clésMedicinePerioperativeSurgeryCurrent Procedural TerminologyLogistic regressionAdverse effectInternal medicine

Résumé

récupéré en direct d'OpenAlex

OBJECTIVE: Major postoperative adverse events (MPAEs) following head and neck surgery are not infrequent and lead to significant morbidity. The objective of this study was to ascertain which factors are most predictive of MPAEs in patients undergoing head and neck surgery. METHODS: A cohort study was carried out based on data from patients registered in the National Surgical Quality Improvement Program (NSQIP) from 2006 to 2018. All patients undergoing non-ambulatory head and neck surgery based on Current Procedural Terminology codes were included. Perioperative factors were evaluated to predict MPAEs within 30-days of surgery. Age was classified as both a continuous and categorical variable. Retained factors were classified by attributable fraction and C-statistic. Multivariate regression and supervised machine learning models were used to quantify the contribution of age as a predictor of MPAEs. RESULTS: A total of 43 701 operations were analyzed with 5106 (11.7%) MPAEs. The results of supervised machine learning indicated that prolonged surgeries, anemia, free tissue transfer, weight loss, wound classification, hypoalbuminemia, wound infection, tracheotomy (concurrent with index head and neck surgery), American Society of Anesthesia (ASA) class, and sex as most predictive of MPAEs. On multivariate regression, ASA class (21.3%), hypertension on medication (15.8%), prolonged operative time (15.3%), sex (13.1%), preoperative anemia (12.8%), and free tissue transfer (9%) had the largest attributable fractions associated with MPAEs. Age was independently associated with MPAEs with an attributable fraction ranging from 0.6% to 4.3% with poor predictive ability (C-statistic 0.60). CONCLUSION: Surgical, comorbid, and frailty-related factors were most predictive of short-term MPAEs following head and neck surgery. Age alone contributed a small attributable fraction and poor prediction of MPAEs. LEVEL OF EVIDENCE: 3.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,013
Score d'incertitude au seuil0,696

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0020,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,034
Tête enseignante GPT0,304
Écart entre enseignants0,270 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations21
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAnnals of Otology Rhinology & LaryngologyMême sujetCardiac, Anesthesia and Surgical OutcomesTravaux en français237 207