Relationship Between Smoking and Pressure Injury Risk: A Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
BACKGROUND: Smoking is a risk factor for many diseases. PURPOSE: This study explored the relationship between current or past smoking and pressure injury (PI) risk through a systematic review and meta-analysis. METHODS: The databases PubMed, Web of Science, and China National Knowledge Infrastructure were searched for the years between 2001 and 2020. Quality of evidence was estimated by the Newcastle-Ottawa Scale. The random effects model was applied to assess the odds ratios (OR) and 95% confidence intervals (CI); pooled adjusted OR and 95% CI, subgroup analysis, publication bias, sensitivity analyses, and meta-regression analysis were performed. RESULTS: Fifteen (15) studies (12 retrospective and 3 prospective) comprising data on 11 304 patients were eligible for inclusion in the review. The meta-analysis demonstrated that smoking increased the risk of PI (OR = 1.498; 95% CI, 1.058-2.122), and the pooled adjusted OR (1.969) and 95% CI (1.406-2.757) confirmed this finding. Publication bias was not detected by funnel plot, Begg's test (P = .322), or Egger's test (P = .666). Subgroup analyses yielded the same observations in both retrospective (OR = 1.607; 95% CI, 1.043-2.475) and prospective (OR = 1.218; 95% CI, 0.735-2.017) studies. The results were consistent across sensitivity analyses (OR = 1.07; 95% CI, 1.043- 2.475). Relevant heterogeneity moderators were not identified by meta-regression analysis with PI incidence (P = .466), years of patient data included (P = .637), mean patient age (P = .650), and diabetes mellitus diagnosis (P = .509). CONCLUSION: This study found that individuals who are current or formers smokers have an almost 1.5 times higher risk of PI development than do those who do not smoke.
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 | 0,007 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».