Malnutrition in Burns: A Prospective, Single-Center Study
Notice bibliographique
Résumé
The hypermetabolic response from a burn injury is the highest of the critically ill patient population. When coupled with the hypermetabolic response, preexisting malnutrition may increase the hospital resources used. The goal of this study was to evaluate the rate of malnutrition in burn patients and the associated hospital resource utilization. We collected prospective data on burn patients 18 years or older with a burn at least 10% TBSA admitted to a regional burn center. Demographics, %TBSA, comorbidities, length of stay (LOS), and standardized LOS (LOS/%TBSA) were evaluated on 49 patients. A multivariable regression model was constructed. Nutrition assessment was completed within 24 to 48 hours of admission including an SGA (Subjective Global Assessment) classification. SGA A (well-nourished) was compared to SGA B and C (malnourished). Fourteen patients (28.6%) in this study were malnourished. Malnourished patients were not statistically different with respect to median age (50 vs 39; P = .08) and body mass index (22.9 vs 26.5; P = .08) compared to the well-nourished group. However, malnourished patients had significantly longer median LOS (21.0 vs 11.0 days, P = .01) and LOS/%TBSA (1.69 vs 0.83, P = .001) than the well-nourished group. Being malnourished was a significant independent predictor of above-median LOS/%TBSA (P = .027) with an odds ratio of 5.61 (95% CI 1.215-25.890). The rate of malnutrition is important given the high metabolic demands of these patients. Malnutrition increased the resource requirements via higher standardized LOS. This underscores the importance of completing SGA on admission to identify malnutrition early on to optimize nutrition intervention during the patients' hospital stay.
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 | 0,000 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».