Frailty and decisional regret after elective noncardiac surgery: a multicentre prospective cohort study
Notice bibliographique
Résumé
BACKGROUND: Frailty is associated with morbidity and mortality after surgery. The association of frailty with decisional regret is poorly defined. Our objective was to estimate the association of preoperative frailty with decisional regret status in the year after surgery. METHODS: We conducted a secondary analysis of a prospective, multicentre cohort study of patients aged ≥65 years who underwent elective noncardiac surgery. Decisional regret about having undergone surgery was ascertained at 30, 90, and 365 (primary time point) days after surgery using a 3-point ordinal scale. Bayesian ordinal logistic regression was used to estimate the association of frailty with decisional regret, adjusted for surgery type, age, sex, and mental health conditions. Subgroup and sensitivity analyses were conducted. RESULTS: We identified 669 patients; 293 (43.8%) lived with frailty. At 365 days after surgery, the unadjusted odds ratio (OR) associating frailty with greater decisional regret was 2.21 (95% credible interval [CrI] 0.98-5.09; P(OR>1)=0.97), which was attenuated after confounder adjustment (adjusted OR 1.68, 95% CrI 0.84-3.36; P(OR>1)=0.93). Similar results were estimated at 30 and 90 days. Additional adjustment for baseline comorbidities and disability score substantially altered the OR at 365 days (0.89, 95% CrI 0.37-2.12; P(OR>1)=0.39). There was a high probability that surgery type was an effect modifier (non-orthopaedic: OR 1.90, 95% CrI 1.00-3.59; P(OR>1)=0.98); orthopaedic: OR 0.87, 95% CrI 0.41-1.91; P(OR>1)=0.36). CONCLUSIONS: Among older surgical patients, there appears to be a complex association with frailty and decisional regret, with substantial heterogeneity based on assumed causal pathways and surgery type. Future studies are required to untangle the complex interplay between these factors.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 ».