The Effect of Major and Minor Complications After Lung Surgery on Length of Stay and Readmission
Notice bibliographique
Résumé
The effect of post-operative adverse events (AEs) on patient outcomes such as length of stay (LOS) and readmissions to hospital is not completely understood. This study examined the severity of AEs from a high-volume thoracic surgery center and its effect on the patient postoperative LOS and readmissions to hospital. This study includes patients who underwent an elective lung resection between September 2018 and January 2020. The AEs were grouped as no AEs, 1 or more minor AEs, and 1 or more major AEs. The effects of the AEs on patient LOS and readmissions were examined using a survival analysis and logistic regression, respectively, while adjusting for the other demographic or clinical variables. Among 488 patients who underwent lung surgery, (Wedge resection [n = 100], Segmentectomy [n = 51], Lobectomy [n = 310], Bilobectomy [n = 10], or Pneumonectomy [n = 17]) for either primary (n = 440) or secondary (n = 48) lung cancers, 179 (36.7%) patients had no AEs, 264 (54.1%) patients had 1 or more minor AEs, and 45 (9.2%) patients had 1 or more major AEs. Overall, the median of LOS was 3 days which varied significantly between AE groups; 2, 4, and 8 days among the no, minor, and major AE groups, respectively. In addition, type of surgery, renal disease (urinary tract infection [UTI], urinary retention, or acute kidney injury), and ASA (American Society of Anesthesiology) score were significant predictors of LOS. Finally, 58 (11.9%) patients were readmitted. Readmission was significantly associated with AE group ( P = 0.016). No other variable could significantly predict patient readmission. Overall, postoperative AEs significantly affect the postoperative LOS and readmission rates.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».