Risk factors of delirium after gastrointestinal surgery: A meta‐analysis
Notice bibliographique
Résumé
BACKGROUND: Postoperative delirium is one of the common complications after any major surgery such as gastrointestinal surgery. And it is related to increased mortality and morbidity and other serious surgical outcomes. AIMS: This study aims to identify risk factors for postoperative delirium in patients undergoing gastrointestinal surgery. MATERIALS AND METHODS: Relevant studies published before August 2021 were searched on Pubmed, Embase and Medline. The risk of bias of included studies was assessed by Newcastle-Ottawa Scale (NOS). A random-effects model of DerSimonian-Laird was used to synthesise the overall ORs or RRs for all risk factors. MOOSE checklist was used to review this manuscript. RESULTS: A total of 21 studies including 6165 patients were finally included for quantitative analysis. The pooled incidence of postoperative delirium is 11% (95% CI: 9%-15%). 16 risk factors were identified, in which age, sex, alcohol consumption, cerebrovascular diseases, cardiovascular diseases, use of sleeping pills, history of delirium, preoperative C-reactive protein (CRP) levels, operation time, blood loss and perioperative blood transfusion were statistically significant while smoking, American Society of Anesthesiologists (ASA) score, performance status, diabetes and operation approach were insignificant. DISCUSSION: This meta-analysis may provide tips for nursing staff and surgeons to design and implement prevention programmes to reduce the incidence of postoperative delirium. CONCLUSION: Potential risk factors of delirium after gastrointestinal surgery are age, sex, alcohol consumption, cerebrovascular diseases, cardiovascular diseases, use of sleeping pills, history of delirium, preoperative CRP levels, operation time, blood loss and blood transfusion.
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 | 0,004 | 0,078 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,013 | 0,029 |
| Bibliométrie | 0,002 | 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 | 0,003 |
| 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 ».