Risk Factors for Atrial Fibrillation following a Cardiac Surgery
Notice bibliographique
Résumé
Background: Atrial fibrillation (AF) following cardiac surgery is common and has clinical impact on morbidity. The preoperative and intraoperative risk factors are still not well defined. The objective of the study was to examine preoperative and intraoperative risk factors for AF following cardiac surgery. Methods: A retrospective analysis of a database of cardiac surgeries was performed during 2017-2019 at Poriya Medical Center. Preoperative factors and intraoperative were recorded. Results: 208 patients were included in this analysis. Overall AF following cardiac surgery was detected in 50 (24%) patients. Of 175 patients who did not have history of AF prior to surgery, 27 (15.5%) had post-operative AF. In the 33 patients with previous AF, AF following surgery was detected in 23 (70%). Patients with AF following surgery who were older (66.2±8.0 vs. 60.7± 11.4 years, p=0.002), were treated more with anti-arrhythmic drugs (18.9% vs 4.5, p<0.001), and had higher rates of pre-operative AF (46% vs 6.3%, p=0.0001), prior cerebral vascular accidents (14% vs 4.4%, p=0.019), and prior valve replacement (10% vs 1.9%, p=0.009) compared to patients without AF following surgery. In multivariate Cox regression analysis, age (HR 1.04, CI 1.01-1.07, P=0.006) and history of preoperative AF (HR 6.01, CI 3.42-10.57, P<0.001) were predictors of AF following cardiac surgery. The probability of being free of postsurgical AF was 80% among patients without history of AF compared to 30% in patients with previous AF history (p<0.001). Conclusion: Preoperative AF and age were predictors of AF following cardiac 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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».