Geriatric Neurosurgery in High-Income Developing Countries: A Sultanate of Oman Experience
Notice bibliographique
Résumé
This study aimed to investigate the prevalence and characteristics of geriatric neurosurgical conditions in the Neurosurgical Department at Khoula Hospital (KH), Muscat, Sultanate of Oman. The majority of various neurosurgical conditions is increasing in elderly patients, which leads to an increase in neurosurgical demand. The aging population has a direct effect on hospital decision-making in neurosurgery. However, limited data are available to assess geriatric neurosurgery in developing countries. A retrospective chart review of geriatric cases admitted to the Neurosurgery Department in KH served as our example of a neurosurgical center in a high-income developing country from January 2016 to 31st December 2019. Patients’ demographics, risk factors, diagnosis, Glasgow Coma Scale on arrival, treatment types, and length of stay were recorded. A total of 669 patients who were above the age of 65 years were recruited into our retrospective review. The mean age was 73.34 years in the overall cohort and the male-to-female ratio was (1.6:1). The most common diagnostic category was trauma, which accounted for 35.4% followed by oncology and vascular (16.3% each). Hydrocephalus accounted for 3.7% of the admissions. Most of the patients underwent surgical interventions (73.1%). The associations were significant between the treatment types (surgical vs. conservative), Length of Stay, and the GCS on arrival (p < 0.05). In conclusion, the trend of geriatric neurosurgery is increasing in developing countries. The most common reason for admission to the neurosurgical ward was Traumatic Brain Injury. Special care must be taken when dealing with geriatric neurosurgical cases and a more holistic approach is needed.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».