MétaCan
Menu
Retour à la cohorte
Enregistrement W4386272612 · doi:10.1001/jamasurg.2023.3744

Surgeon Sex and Long-Term Postoperative Outcomes Among Patients Undergoing Common Surgeries

2023· article· en· W4386272612 sur OpenAlexaffabout
Christopher J.D. Wallis, Angela Jerath, Khatereh Aminoltejari, Kirusanthy Kaneshwaran, Arghavan Salles, Natalie G. Coburn, Frances C. Wright, Lesley Gotlib Conn, Zachary Klaassen, Amy N. Luckenbaugh, Sanjana Ranganathan, Carlos Riveros, Colin J. L. McCartney, Kathleen Armstrong, Barbara L. Bass, Allan S. Detsky, Raj Satkunasivam

Notice bibliographique

RevueJAMA Surgery · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueSex and Gender in Healthcare
Établissements canadiensUniversity of TorontoUniversity Health NetworkSunnybrook Health Science CentreMount Sinai Hospital
Organismes subventionnairesnon disponible
Mots-clésMedicinePerioperativeRetrospective cohort studySurgeryAdverse effectCohortComplicationPopulationGeneral surgeryInternal medicine

Résumé

récupéré en direct d'OpenAlex

Importance: Sex- and gender-based differences in a surgeon's medical practice and communication may be factors in patients' perioperative outcomes. Patients treated by female surgeons have improved 30-day outcomes. However, whether these outcomes persist over longer follow-up has not been assessed. Objective: To examine whether surgeon sex is associated with 90-day and 1-year outcomes among patients undergoing common surgeries. Design, Setting, and Participants: A population-based retrospective cohort study was conducted in adults in Ontario, Canada, undergoing 1 of 25 common elective or emergent surgeries between January 1, 2007, and December 31, 2019. Analysis was performed between July 15 and October 20, 2022. Exposure: Surgeon sex. Main Outcomes and Measures: An adverse postoperative event, defined as the composite of death, readmission, or complication, was assessed at 90 days and 1 year following surgery. Secondarily, each of these outcomes was assessed individually. Outcomes were compared between patients treated by female and male surgeons using generalized estimating equations with clustering at the level of the surgical procedure, accounting for patient-, procedure-, surgeon-, anesthesiologist-, and facility-level covariates. Results: Among 1 165 711 included patients, 151 054 were treated by a female and 1 014 657 by a male surgeon. Overall, 14.3% of the patients had 1 or more adverse postoperative outcomes at 90 days and 25.0% had 1 or more adverse postoperative outcomes 1 year following surgery. Among these, 2.0% of patients died within 90 days and 4.3% died within 1 year. Multivariable-adjusted rates of the composite end point were higher among patients treated by male than female surgeons at both 90 days (13.9% vs 12.5%; adjusted odds ratio [AOR], 1.08; 95% CI, 1.03-1.13) and 1 year (25.0% vs 20.7%; AOR, 1.06; 95% CI, 1.01-1.12). Similar patterns were observed for mortality at 90 days (0.8% vs 0.5%; AOR 1.25; 95% CI, 1.12-1.39) and 1 year (2.4% vs 1.6%; AOR, 1.24; 95% CI, 1.13-1.36). Conclusions and Relevance: After accounting for patient, procedure, surgeon, anesthesiologist, and hospital characteristics, the findings of this cohort study suggest that patients treated by female surgeons have lower rates of adverse postoperative outcomes including death at 90 days and 1 year after surgery compared with those treated by male surgeons. These findings further support differences in patient outcomes based on physician sex that warrant deeper study regarding underlying causes and potential solutions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,021
Score d'incertitude au seuil0,041

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,050
Tête enseignante GPT0,314
Écart entre enseignants0,265 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations249
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJAMA SurgeryMême sujetSex and Gender in HealthcareTravaux en français237 207