Predicting major complications in patients undergoing laparoscopic and open hysterectomy for benign indications
Notice bibliographique
Résumé
BACKGROUND: Hysterectomy, the most common gynecological operation, requires surgeons to counsel women about their operative risks. We aimed to develop and validate multivariable logistic regression models to predict major complications of laparoscopic or abdominal hysterectomy for benign conditions. METHODS: We obtained routinely collected health administrative data from the English National Health Service (NHS) from 2011 to 2018. We defined major complications based on core outcomes for postoperative complications including ureteric, gastrointestinal and vascular injury, and wound complications. We specified 11 predictors a priori. We used internal-external cross-validation to evaluate discrimination and calibration across 7 NHS regions in the development cohort. We validated the final models using data from an additional NHS region. RESULTS: We found that major complications occurred in 4.4% (3037/68 599) of laparoscopic and 4.9% (6201/125 971) of abdominal hysterectomies. Our models showed consistent discrimination in the development cohort (laparoscopic, C-statistic 0.61, 95% confidence interval [CI] 0.60 to 0.62; abdominal, C-statistic 0.67, 95% CI 0.64 to 0.70) and similar or better discrimination in the validation cohort (laparoscopic, C-statistic 0.67, 95% CI 0.65 to 0.69; abdominal, C-statistic 0.67, 95% CI 0.65 to 0.69). Adhesions were most predictive of complications in both models (laparoscopic, odds ratio [OR] 1.92, 95% CI 1.73 to 2.13; abdominal, OR 2.46, 95% CI 2.27 to 2.66). Other factors predictive of complications included adenomyosis in the laparoscopic model, and Asian ethnicity and diabetes in the abdominal model. Protective factors included age and diagnoses of menstrual disorders or benign adnexal mass in both models and diagnosis of fibroids in the abdominal model. INTERPRETATION: Personalized risk estimates from these models, which showed moderate discrimination, can inform clinical decision-making for people with benign conditions who may require hysterectomy.
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 | 0,003 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».