Factors Associated With Length of Stay for Hip and Knee Arthroplasty: A 20-Year Single-Province Population-Based Analysis of Longitudinal Temporal Trends
Notice bibliographique
Résumé
BackgroundWith notable benefits in reducing length of stay (LOS), this study aimed to quantify the temporal trend and the factors contributing to increased LOS for primary and revision total hip (THA and rTHA) and knee (TKA and rTKA) arthroplasty. The study was carried out for a large population-based cohort over a 20-year period.MethodsThis was a retrospective population-based study assessing the LOS for all primary and revision THA and TKA procedures between 2003 and 2022. The primary outcome of interest was LOS. Univariate and multivariate analyses were performed to identify associated variables.ResultsFor the entire dataset, there were 16,677 primary THAs, 13,018 primary TKAs, 3276 (aseptic) rTHAs, 1445 (aseptic) rTKAs, 820 (septic) rTHAs, and 667 (septic) rTKAs. The median LOS over the 20-year period between 2003 and 2022 demonstrated a steady and continuous decline from a median of 5 days (interquartile range 3-7) in 2003 to 1 day (interquartile range 1-2) in 2022. On multivariate analysis, there were a number of factors associated with increasing LOS: year of procedure (P < .0001), procedure type (P < .0001), age (P < .0001), and American Society of Anesthesiologists class (P < .0001). On multivariate analysis, body mass index was not associated with increased LOS (P = .5631).ConclusionsThere was a downward trend in LOS for all types of primary and revision THA and TKA. The factors contributing most to a reduction in LOS include the year the procedure was performed, primary THA procedures, aseptic (vs periprosthetic joint infection) revision procedures, younger age, and lower American Society of Anesthesiologists classes.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| 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 ».