Not all total joint replacement patients are created equal: preoperative factors and length of stay in hospital
Notice bibliographique
Résumé
BACKGROUND: We conducted a cross-sectional study of primary total joint replacement (TJR) patients to determine predictors for prolonged length of stay (LOS) in hospital to identify patient characteristics that may inform resource allocation, accounting for patient complexity. METHODS: Preoperative demographics, medical comorbidities and acute hospital LOS from a consecutive series of primary TJR patients from an academic arthroplasty centre were abstracted. We categorized patients as LOS of 3 or fewer days, 4 days, or 5 or more days to align results with varying LOS benchmarks. To identify predictors for LOS, we used a generalized logistic regression model fitted on an LOS ternary outcome, using LOS of 3 or fewer days as a reference category. RESULTS: The sample included 1459 patients: 61.7% total knee and 38.3% total hip. Male sex was predictive of an LOS of 3 or fewer days (4 d: odds ratio [OR] 0.48, 95% confidence interval [CI] 0.364-0.631; ≥ 5 d: OR 0.57, 95% CI 0.435-0.758), as was current smoking status (4 d: OR 0.425, 95% CI 0.274-0.659; ≥ 5 d: OR 0.489, 95% CI 0.314-0.762). Strong predictors of prolonged LOS included total hip versus total knee arthroplasty, age 75 years or older, American Society of Anesthesiologists classification of 3 and 4 and number of cardiovascular comorbidities. CONCLUSION: Not all patients undergoing TJR are equal. The goal should be individual patient-focused care rather than a predetermined LOS that is not achievable for all patients. Hospital resource planning must account for patient complexity when planning future bed management.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».