Frailty assessment tools and their predictive value in preoperative evaluation for general surgery: a narrative review
Notice bibliographique
Résumé
The world’s population is ageing rapidly, with projections suggesting a significant increase in the elderly demographic over the next few decades. This shift is likely to result in long periods of infirmity and frailty, thus escalating healthcare demands. Frailty has been investigated almost exclusively in the elderly because of its association with the senior population. It is considered to be an unavoidable aspect of old age, rather than a variable aspect of ageing. It has been linked to a greater risk of falls and decreased mobility, increased hospitalizations, institutionalization, and mortality. Due to elevated complication risk, the frail group required expert surgical treatment and specialised care. Various models have been described in recent years, including the Frailty Phenotype model, the Edmonton Frailty scale, and the Clinical Frailty scale, among many others. Each model employs several components to assess an individual’s frailty. There is, however, no gold standard for measuring fragility. The use of such assessment methods in pre-operative frailty screening as a risk-stratification instrument has been shown to be effective in older persons undergoing general surgery. The use of frailty assessment tools to determine the level of frailty together with evidence-based treatment and management should be supported by collaborative decision making. In this narrative review, we discussed the four commonly used frailty assessment tools with a particular emphasis on the need for additional research to refine these models and enhance their predictive accuracy in surgical settings.
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 | 0,003 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».