MétaCan
Menu
Retour à la cohorte
Enregistrement W4297261484 · doi:10.5435/jaaosglobal-d-22-00196

Patient Comorbidities Associated With Acute Infection After Open Tibial Fractures

2022· article· en· W4297261484 sur OpenAlexaff
Augustine M. Saiz, Dustin Stwalley, Philip R. Wolinsky, Anna N. Miller

Notice bibliographique

RevueJAAOS Global Research and Reviews · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueBone fractures and treatments
Établissements canadiensObject Research Systems (Canada)
Organismes subventionnairesNational Center for Advancing Translational Sciences
Mots-clésMedicineComorbidityOdds ratioConfidence intervalDiabetes mellitusInternal medicineSurgeryOpen fractureOrthopedic surgery

Résumé

récupéré en direct d'OpenAlex

INTRODUCTION: Open tibial shaft fractures are high-risk injuries for developing acute infection. Prior research has focused on injury characteristics and treatment options associated with acute inpatient infection in these injuries without primary analysis of host factors. The purpose of this study was to determine the patient comorbidities associated with increased risk of acute infection after open tibial shaft fractures during initial hospitalization. METHODS: A total of 147,535 open tibial shaft fractures in the National Trauma Data Bank from 2007 to 2015 were identified that underwent débridement and stabilization. Infection was defined as a superficial surgical site infection or deep infection that required subsequent treatment. The International Classification of Diseases, ninth revision codes were used to determine patient comorbidities. Comparative statistical analyses including odds ratios (ORs) for patient groups who did develop infection and those who did not were conducted for each comorbidity. RESULTS: The rate of acute inpatient infection was 0.27% with 396 patients developing infection during hospital management of an open tibial shaft fracture. Alcohol use (OR, 2.26, 95% confidence interval [CI], 1.73-2.96, P < 0.0001), bleeding disorders (OR, 4.50, 95% CI, 3.13-6.48, P < 0.0001), congestive heart failure (OR, 3.25, 95% CI, 1.97-5.38, P < 0.0001), diabetes (OR, 1.73, 95% CI, 1.29-2.32, P = 0.0002), psychiatric illness (OR, 2.17, 95% CI, 1.30-3.63, P < 0.0001), hypertension (OR, 1.56, 95% CI, 1.23-1.95, P < 0.0001), obesity (OR, 3.05, 95% CI, 2.33-3.99, P < 0.0001), and chronic obstructive pulmonary disease (OR, 2.09, 95% CI, 1.51-2.91, P < 0.0001) were all associated with increased infection rates. Smoking (OR, 0.957, 95% CI, 0.728-1.26, P = 0.722) and drug use (OR, 1.11, 95% CI, 0.579-2.11, P = 0.7607) were not associated with any difference in infection rates. DISCUSSION: Patients with open tibial shaft fractures who have congestive heart failure, bleeding disorders, or obesity are three to 4.5 times more likely to develop an acute inpatient infection than patients without those comorbidities during their initial hospitalization. Patients with diabetes, psychiatric illness, hypertension, or chronic obstructive pulmonary disease are 1.5 to 2 times more likely to develop subsequent infection compared with patients without those comorbidities. Patients with these comorbidities should be counseled about the increased risks. Furthermore, risk models for the infectious complications after open tibial shaft fractures can be developed to account for this more at-risk patient population to serve as modifiers when evaluating surgeon/hospital performance. CONCLUSION: Patient comorbidities are associated with increased risk of acute inpatient infection of open tibial shaft fractures during hospitalization.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,067
Tête enseignante GPT0,419
Écart entre enseignants0,352 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations13
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJAAOS Global Research and ReviewsMême sujetBone fractures and treatmentsTravaux en français237 207