Prediction of major postoperative events after non-cardiac surgery for people with kidney failure: derivation and internal validation of risk models
Notice bibliographique
Résumé
BACKGROUND: People with kidney failure often require surgery and experience worse postoperative outcomes compared to the general population, but existing risk prediction tools have excluded those with kidney failure during development or exhibit poor performance. Our objective was to derive, internally validate, and estimate the clinical utility of risk prediction models for people with kidney failure undergoing non-cardiac surgery. DESIGN, SETTING, PARTICIPANTS, AND MEASURES: or receipt of maintenance dialysis) undergoing non-cardiac surgery between 2005-2019. Three nested prognostic risk prediction models were assembled using clinical and logistical rationale. Model 1 included age, sex, dialysis modality, surgery type and setting. Model 2 added comorbidities, and Model 3 added preoperative hemoglobin and albumin. Death or major cardiac events (acute myocardial infarction or nonfatal ventricular arrhythmia) within 30 days after surgery were modelled using logistic regression models. RESULTS: The development cohort included 38,541 surgeries, with 1,204 outcomes (after 3.1% of surgeries); 61% were performed in males, the median age was 64 years (interquartile range [IQR]: 53, 73), and 61% were receiving hemodialysis at the time of surgery. All three internally validated models performed well, with c-statistics ranging from 0.783 (95% Confidence Interval [CI]: 0.770, 0.797) for Model 1 to 0.818 (95%CI: 0.803, 0.826) for Model 3. Calibration slopes and intercepts were excellent for all models, though Models 2 and 3 demonstrated improvement in net reclassification. Decision curve analysis estimated that use of any model to guide perioperative interventions such as cardiac monitoring would result in potential net benefit over default strategies. CONCLUSIONS: We developed and internally validated three novel models to predict major clinical events for people with kidney failure having surgery. Models including comorbidities and laboratory variables showed improved accuracy of risk stratification and provided the greatest potential net benefit for guiding perioperative decisions. Once externally validated, these models may inform perioperative shared decision making and risk-guided strategies for this population.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».