Perioperative Transfusion Practices in Adults Having Noncardiac Surgery
Notice bibliographique
Résumé
Surgical patients are often transfused to manage bleeding and anemia. Best practices for red blood cell (RBC) transfusion administration in patient having noncardiac surgery remains controversial and a robust evaluation and description of perioperative transfusion practices is lacking. We characterized perioperative hemoglobin concentrations and transfusion practices from the prospective VISION cohort which included 39,222 patients aged ≥45 years who had inpatient noncardiac surgery. Variations in transfusion practices were analyzed using hierarchical mixed models, and associations with mortality and complications were evaluated using a nested frailty survival model. Within the cohort, 16.1% (n = 6296) were given perioperative RBC transfusions, with the fraction declining from 20% to 13% over the 6-year study period. The proportion of patients transfused varied by surgery type from 6.4% for low-risk operations (i.e., minor surgery) to 31.5% for orthopedic surgeries. Variations were largely associated with patient hemoglobin concentrations, but also with center (range: 3.7%-27.3%) and country (0.4%-25.3%). Even after adjusting for baseline hemoglobin, comorbidities and type of surgery, both center and country were significant sources of variation in transfusion practices. Among transfused participants, 60.4% (n = 3728/6170) had at least 1 hemoglobin concentration ≤80g/L and 86.0% (n = 5305/6170) had at least 1 hemoglobin concentration ≤90g/L, suggesting that relatively restrictive transfusion strategies were used in most. The proportion of patients receiving at least 1 RBC transfusion declined from 20% to 13% over 6 years. However, there was considerable unexplained variation in transfusion practices.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».