Impact of frailty on persistent critical illness: a population-based cohort study
Notice bibliographique
Résumé
PURPOSE: Acute illness severity predicts mortality in intensive care unit (ICU) patients, however, its predictive value decreases over time in ICU. Typically after 10 days, pre-ICU (antecedent) characteristics become more predictive of mortality, defining the onset of persistent critical illness (PerCI). How patient frailty affects development and death from PerCI is unknown. METHODS: We conducted a secondary analysis of data from a prospective binational cohort study including 269,785 critically ill adults from 168 ICUs in Australia and New Zealand, investigating whether frailty measured with the Clinical Frailty Scale (CFS) changes the timing of onset and risk of developing PerCI and of subsequent in-hospital mortality. We assessed associations between frailty (CFS ≥ 5) and mortality prediction using logistic regression and area under the receiver operating characteristics (AUROC) curves. RESULTS: 2190 of 50,814 (4.3%) patients with frailty (CFS ≥ 5) versus 6624 of 218,971 (3%) patients without frailty (CFS ≤ 4) developed PerCI (P < 0.001). Among patients with PerCI, 669 of 2190 (30.5%) with frailty and 1194 of 6624 without frailty (18%) died in hospital (P < 0.001). The time point defining PerCI onset did not vary with frailty degree; however, with increasing length of ICU stay, inclusion of frailty progressively improved mortality discrimination (0.1% AUROC improvement on ICU day one versus 3.6% on ICU day 17). CONCLUSION: Compared to patients without frailty, those with frailty have a higher chance of developing and dying from PerCI. Moreover the importance of frailty as a predictor of mortality increases with ICU length of stay. Future work should explore incorporation of frailty in prognostic models, particularly for long-staying patients.
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 | 0,009 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».