Postoperative Weight Gain within Enhanced Recovery after Cardiac Surgery
Notice bibliographique
Résumé
Optimal fluid therapy during perioperative care as part of enhanced recovery after cardiac surgery (ERACS) should improve the outcome. Our objective was finding out the effects of fluid overload on outcome and mortality within a well-established ERACS program. All consecutive patients undergoing cardiac surgery between January 2020 and December 2021 were enrolled. According to ROC curve analysis, a cut-off of ≥7 kg (group M, n = 1198) and <7 kg (group L, n = 1015) was defined. A moderate correlation was shown between weight gain and fluid balance r = 0.4, and a simple linear regression was significant p < 0.0001, R2 = 0.16. Propensity score matching showed that increased weight gain was associated with a longer hospital length of stay (LOS) (L 8 [3] d vs. M 9 [6] d, p < 0.0001), an increased number of patients who received pRBCs (L 311 (36%) vs. M 429 (50%), p < 0.0001), and a higher incidence of postoperative acute kidney injury (AKI) (L 84 (9.8%) vs. M 165 (19.2%), p < 0.0001). Weight gain can easily represent fluid overload. Fluid overload after cardiac surgery is common and is associated with prolonged hospital LOS and increases the incidence of AKI.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| 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 ».