Quality gaps in screening and monitoring for postoperative hyperglycemia in a Canadian hospital: a retrospective cohort study
Notice bibliographique
Résumé
INTRODUCTION: Evidence-based preoperative, intraoperative and postoperative glycemic management may reduce poor surgical outcomes. Previous studies suggest that quality gaps in perioperative glycemic management may be common. RESEARCH DESIGN AND METHODS: This retrospective cohort study used administrative health and laboratory data from a single center to estimate quality gaps in perioperative glycemic management in patients with and without diabetes between April 2019 and March 2020. We examined the proportion of patients with preoperative hemoglobin A1c (HbA1c) measurement, postoperative point-of-care testing (POCT) for glucose, hyperglycemia, and basal bolus insulin regimens. We compared the median length of stay (LOS) in patients with and without postoperative hyperglycemia, adjusted for age and sex. RESULTS: There were 6576 patients in our cohort; 1165 (17.8%) had diabetes. Most patients with diabetes had an HbA1c measured prior to surgery (n=697, 59.8%). Postoperatively, 16.9% of patients with diabetes had no POCT monitoring (n=197) and 65.7% had hyperglycemia (n=636). Only 35.9% of patients who received insulin had a basal bolus insulin regimen (n=229). Patients with diabetes who had postoperative hyperglycemia had a longer median LOS compared with those who did not have postoperative hyperglycemia (8.4 days (95% CI 7.5 to 9.4) and 6.7 days (95% CI 6.3 to 7.1), respectively). In patients without diabetes, median LOS was 7.4 days (95% CI 4.4 to 10.4) for those with hyperglycemia and 5.2 days (95% CI 5.1 to 5.4) for those with in-target glucose. CONCLUSIONS: Quality gaps in perioperative glycemic management include measurement of blood glucose after surgery and treatment of postoperative hyperglycemia. These gaps may contribute to longer LOS.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 ».