Evaluating Rates of Preoperative Medical Optimization to Correct Anemia in Patients Undergoing Myomectomy
Notice bibliographique
Résumé
Objective: The aims of this retrospective cohort study were to determine the proportion of women on medical therapy to correct anemia, defined as hemoglobin <12.0g/dL prior to myomectomy and to determine the association between preoperative optimization and transfusion rates, accounting for preoperative anemia. Materials and Methods: Patients undergoing myomectomy (open, laparoscopic, or robot-assisted) between February 2015 and June 2018 at a single high-volume academic hospital were included. Results: There were 224 patients who underwent open (70.5%), laparoscopic (10.7%), or robotic (18.8%) myomectomy, with 30.4% ( n = 68) anemic immediately prior to surgery. Of those patients, 76.5% ( n = 52) received medical preoperative optimization before surgery: 23 (33.8%) had iron therapy alone; 16 (23.5%) had hormonal therapy alone; 12 (17.7%) had iron and hormonal therapy; and 9 (13%) had tranexamic acid. Perioperative blood transfusion—a transfusion given intraoperatively or within 2 days postoperatively was given to 32 (14.3%) patients; 84.4% ( n = 27) were open cases. Half ( n = 16) of the transfused patients were anemic before surgery and 25% were not receiving preoperative medical optimization. Preoperative anemia significantly increased the odds of perioperative blood transfusion (odds ratio [ OR ] = 2.69, 95% confidence interval [CI] :1.26–5.77; p = 0.011). Taking medications prior to surgery did not affect the odds of receiving transfusion across all patients, including those with preoperative anemia (adjusted OR = 0.87; 95% CI: 0.38–1.98; p = 0.732). Conclusions: One quarter of transfused patients were not on medications preoperatively despite being anemic. An attempt should be made to optimize and correct anemia actively prior to myomectomy, particularly for a planned open procedure. (J GYNECOL SURG 38:120)
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».