Assessing patient frailty in plastic surgery: A systematic review
Notice bibliographique
Résumé
PURPOSE: With the increase in the aging population, the level of frailty has become an important metric for assessing preoperative patient risk. Although medical and surgical specialties continue to adopt and standardize the use of frailty instruments, few studies within the plastic surgery literature have utilized such instruments to predict poor postoperative outcomes. The purpose of this article is two-fold: (1) to provide a comprehensive review of the existing frailty instruments and (2) to summarise the existing evidence regarding the role of pre-operative frailty assessments on peri‑operative morbidity and mortality in plastic surgery. METHODS: This systematic review was registered a priori on the Open Science Framework (https://osf.io/vfzw8). A computerized database search of Ovid MEDLINE, EMBASE, and Cochrane was performed from database inception to December 13, 2020. All articles that examined the effect of preoperative patient frailty on perioperative morbidity and mortality outcomes following plastic surgery interventions were included for data extraction. RESULTS: From the 11 studies included in this review, ten unique frailty instruments were identified. The modified Frailty Index (mFI) and the Fried Frailty Index (FFI) were the most commonly reported frailty measurement tools; however, the FRAIL scale was the only outcome measure identified to be valid, reliable, and responsive to change. Regardless of the frailty measure used, nearly all studies reported that worse surgical outcomes were associated with a higher patient frailty score. CONCLUSION: There is a strong association between higher frailty scores and worse postoperative outcomes in plastic surgery. The FRAIL scale is a clinimetrically sound frailty instrument that should be used in all patients to assess perioperative risk in plastic surgery.
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 | 0,003 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,018 | 0,005 |
| Bibliométrie | 0,002 | 0,002 |
| 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 | 0,001 | 0,002 |
| 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 ».