Variation in postoperative outcomes of patients with intracranial tumors: insights from a prospective international cohort study during the COVID-19 pandemic
Notice bibliographique
Résumé
BACKGROUND: This study assessed the international variation in surgical neuro-oncology practice and 30-day outcomes of patients who had surgery for an intracranial tumor during the COVID-19 pandemic. METHODS: We prospectively included adults aged ≥18 years who underwent surgery for a malignant or benign intracranial tumor across 55 international hospitals from 26 countries. Each participating hospital recorded cases for 3 consecutive months from the start of the pandemic. We categorized patients' location by World Bank income groups (high [HIC], upper-middle [UMIC], and low- and lower-middle [LLMIC]). Main outcomes were a change from routine management, SARS-CoV-2 infection, and 30-day mortality. We used a Bayesian multilevel logistic regression stratified by hospitals and adjusted for key confounders to estimate the association between income groups and mortality. RESULTS: Among 1016 patients, the number of patients in each income group was 765 (75.3%) in HIC, 142 (14.0%) in UMIC, and 109 (10.7%) in LLMIC. The management of 200 (19.8%) patients changed from usual care, most commonly delayed surgery. Within 30 days after surgery, 14 (1.4%) patients had a COVID-19 diagnosis and 39 (3.8%) patients died. In the multivariable model, LLMIC was associated with increased mortality (odds ratio 2.83, 95% credible interval 1.37-5.74) compared to HIC. CONCLUSIONS: The first wave of the pandemic had a significant impact on surgical decision-making. While the incidence of SARS-CoV-2 infection within 30 days after surgery was low, there was a disparity in mortality between countries and this warrants further examination to identify any modifiable factors.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».