Modified Frailty Index for Patients Undergoing Surgery for Colorectal Cancer: Analysis of the National Inpatient Sample From 2015 to 2019
Notice bibliographique
Résumé
Background Frailty is increasingly recognized as a perioperative risk for numerous surgical diseases. We applied the modified frailty index (mFI-11) to the National Inpatient Sample (NIS) for patients undergoing surgery for colorectal cancer (CRC). Methods We performed a retrospective analysis of the NIS (2015-2019) including CRC patients undergoing surgery. We classified patients into frail (ie, mFI ≥0.27) and robust (ie, mFI <0.27) categories. Primary outcomes were in-hospital postoperative morbidity and mortality. The secondary outcomes included system-specific postoperative morbidity and length of stay (LOS). Multivariable regression models were fit. Results Within the 53,652 identified patients undergoing surgery for CRC, 19.1% were frail. Frail patients were at higher risk of postoperative mortality (3.1% vs 1.0%, odds ratio [OR] 1.96, 95% confidence intervals [CIs] 1.68-2.30, P < 0.001), morbidity (41.3 % vs 23.1%, OR 1.75, 95% CI 1.66-1.83, P < 0.001), and LOS (mean difference [MD] 1.46, 95% CI 0.29-1.62, P < 0.001). Significant differences existed between groups in system-specific postoperative morbidity, with the largest effect estimates seen in cardiovascular morbidities (OR 4.07, 95% CI 3.36-4.93, P = 0.001), followed by respiratory (OR 1.75, 95% CI 1.66-1.83, P = 0.001). Conclusion Frail patients undergoing CRC surgery are at risk of increased postoperative complications. Preoperative frailty screening may allow for individualized preoperative counseling.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 ».