Incidence of post-operative delirium increases as severity of frailty increases
Notice bibliographique
Résumé
OBJECTIVE: The surgical population is ageing and often frail. Frailty increases the risk for poor post-operative outcomes such as delirium, which carries significant morbidity, mortality and cost. Frailty is often measured in a binary manner, limiting pre-operative counselling. The goal of this study was to determine the relationship between categorical frailty severity level and post-operative delirium. METHODS: We performed an analysis of a retrospective cohort of older adults from 12 January 2018 to 3 January 2020 admitted to a tertiary medical center for elective surgery. All participants underwent frailty screening prior to inpatient elective surgery with at least two post-operative delirium assessments. Planned ICU admissions were excluded. Procedures were risk-stratified by the Operative Stress Score (OSS). Categorical frailty severity level (Not Frail, Mild, Moderate, and Severe Frailty) was measured using the Edmonton Frail Scale. Delirium was determined using the 4 A's Test and Confusion Assessment Method-Intensive Care Unit. RESULTS: In sum, 324 patients were included. The overall post-operative delirium incidence was 4.6% (15 individuals), which increased significantly as the categorical frailty severity level increased (2% not frail, 6% mild frailty, 23% moderate frailty; P < 0.001) corresponding to increasing odds of delirium (OR 2.57 [0.62, 10.66] mild vs. not frail; OR 12.10 [3.57, 40.99] moderate vs. not frail). CONCLUSIONS: Incidence of post-operative delirium increases as categorical frailty severity level increases. This suggests that frailty severity should be considered when counselling older adults about their risk for post-operative delirium prior to surgery.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».