Long-Term Outcomes after Coronary Artery Bypass Grafting with Risk Stratification
Notice bibliographique
Résumé
Background: Risk stratification of long-term outcomes for patients undergoing Coronary artery bypass grafting has enormous potential clinical importance. Aim: To develop risk stratification models for predicting long-term outcomes following coronary artery bypass graft (CABG) surgery. Methods: We retrospectively revised the electronic medical records of 2330 patients who underwent adult Cardiac surgery between August 2016 and December 2022 at Madinah Cardiac Center, Saudi Arabia. Three hundred patients fulfilled the eligibility criteria of CABG operations with a complete follow-up period of at least 24 months, and data reporting. The collected data included patient demographics, comorbidities, laboratory data, pharmacotherapy, echocardiographic parameters, procedural details, postoperative data, in-hospital outcomes, and follow-up data. Our follow-up was depending on the clinical status (NYHA class), chest pain recurrence, medication dependence and echo follow-up. A univariate analysis was performed between each patient risk factor and the long-term outcome to determine the preoperative, operative, and postoperative factors significantly associated with each long-term outcome. Then a multivariable logistic regression analysis was performed with a stepwise, forward selection procedure. Significant (p Results: The incidence of all-cause mortality during hospital admission or follow-up period was 2.3%. Other long-term outcomes included all-cause recurrent hospitalization (9.8%), recurrent chest pain (2.4%), and the need for revascularization by using a stent in 5 (3.0%) patients. Thirteen (4.4%) patients suffered heart failure and they were on the maximum anti-failure medications. The model for predicting all-cause mortality included the preoperative EF ≤ 35% (AOR: 30.757, p = 0.061), the bypass time (AOR: 1.029, p = 0.003), and the duration of ventilation following the operation (AOR: 1.237, p = 0.021). The model for risk stratification of recurrent hospitalization comprised the preoperative EF ≤ 35% (AOR: 6.198, p p = 0.023), low postoperative cardiac output (AOR: 3.622, p = 0.007), and the development of postoperative atrial fibrillation (AOR: 2.787, p = 0.038). Low postoperative cardiac output was the only predictor that significantly contributed to recurrent chest pain (AOR: 11.66, p = 0.004). Finally, the model consisted of low postoperative cardiac output (AOR: 5.976, p p = 0.019) was significantly associated with an increased likelihood of the future need for revascularization using a stent. Conclusions: A risk prediction model was developed in a Saudi cohort for predicting all-cause mortality risk during both hospital admission and the follow-up period of at least 24 months after isolated CABG surgery. A set of models were also developed for predicting long-term risks of all-cause recurrent hospitalization, recurrent chest pain, heart failure, and the need for revascularization by using stents.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 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 ».