Preoperative cognitive function as a risk factor of postoperative delirium in cancer surgeries: A systematic review and meta‐analysis
Notice bibliographique
Résumé
Postoperative delirium (POD) after cancer surgeries can be a result of chemo brain, anesthesia, surgery duration, and preoperative cognitive impairment. Although older age and preoperative cognitive dysfunction were reported to increase the risk of POD in noncardiac surgery, the role of preoperative cognitive function and age in the development of POD after all types of cancer surgeries is not clear. This study aimed to determine the relationship between preoperative cognitive function and likelihood of POD after cancer surgeries. This study used three main online databases and followed PRISMA guidelines. English language original articles that examined preoperative cognitive function before solid tumor cancer surgery and assessed patients for postoperative delirium were included. We employed the random effect meta-analysis method. The overall incidence of POD ranged from 8.7% to 50.9%. The confusion assessment method was the most common tool used to assess delirium. Mini-mental state evaluation (MMSE), Mini-cog, and Montreal cognitive assessment were the most common tools to assess cognitive function. The pooled (total observation = 4676) random effects SMD was estimated at -0.84 (95% confidence interval [CI]: -1.30 to -0.31), indicating that lower MMSE scores before surgery are associated with a higher risk of POD. The pooled (total observation = 2668) random effects OR was estimated at 5.17 (95% CI: 2.51 to -10.63), indicating preoperative cognitive dysfunction can significantly predict the occurrence of POD after cancer surgeries. In conclusion, preoperative cognitive function is an independent and significant predictor of POD after solid tumor cancer surgeries.
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 | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,016 | 0,004 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,002 |
| 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 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 ».