The impact of obesity on postoperative outcomes following surgery for colorectal cancer: analysis of the National Inpatient Sample 2015–2019
Notice bibliographique
Résumé
BACKGROUND: The global burden of obesity has reached epidemic proportions, placing great strain on the North American healthcare system. We designed a retrospective cohort database study comparing postoperative morbidity and healthcare resource utilization between patients living with and without obesity undergoing surgery for colorectal cancer. METHODS: ). Propensity score matching (PSM) with 1:1 nearest-neighbour matching was performed according to demographic, operative, and hospital characteristics. The primary outcome was postoperative morbidity. Secondary outcomes included system-specific postoperative complications, postoperative mortality, length of stay, total admission healthcare cost, and post-discharge disposition. McNemar's and Wilcoxon matched pairs signed rank tests were performed. RESULTS: After PSM, 7565 non-obese and 7565 obese patients were included. Patients with obesity had a 10% increase in relative risk of overall in-hospital postoperative morbidity (23.1% versus 25.6%, P = 0.0015) and a $4564 increase in hospitalization cost ($70 248 USD versus $74 812 USD, P = 0.0004). Patients with obesity were more likely to require post-operative ICU admission (5.0% versus 8.0%, P < 0.0001) and less likely to be discharged home after their index operation (68.3% versus 64.2%, P = 0.0022). CONCLUSION: Patients with obesity undergoing surgery for colorectal cancer may be at an increased risk of in-hospital postoperative morbidity. They may also be more likely to have increased hospitalization costs, post-operative ICU admissions, and to not be discharged directly home. Preoperative optimization via weight loss strategies should be further explored.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,004 |
| 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 | 0,000 |
| 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 ».