Obesity: An Independent Predictor of Acute Renal Failure After General Surgery
Notice bibliographique
Résumé
Background Half of Americans will have obesity, and a quarter will have severe obesity by the year 2030. Postoperative acute renal failure (ARF) is associated with increased morbidity and mortality. Given the increase in the number of patients with obesity undergoing elective surgery, we investigated the relationship between obesity and postoperative ARF after elective general surgery procedures. Methods We performed a retrospective cohort study of patients in the 2015-2019 National Surgical Quality Improvement Program database who underwent elective general surgery procedures. The primary outcome was the presence of postoperative ARF. The patient body mass index (BMI) was categorized as normal (BMI 18.5-24.9), overweight (BMI 25-29.9), obesity class 1 and 2 (BMI 30-39.9), severe obesity (BMI 40-49.9), and extreme obesity (BMI³50). Descriptive statistics and unadjusted comparisons were performed for patients who developed postoperative ARF and those who did not. Multivariable regression analyses were used to model BMI categories and postoperative ARF, adjusting for patient- and surgical-level covariates. Results Among 424,527 patients included in the study, 3638 patients (0.8%) developed ARF. Patients who developed ARF were older, had a higher BMI, and had more serious comorbidities. After risk adjustment, there was a stepwise rise in odds of developing postoperative ARF with increasing BMI categories compared to normal BMI: (overweight: OR 1.11 (95% CI 1.0-1.23), obesity class 1 and 2: OR 1.32 (95% CI 1.2-1.46), severe obesity: OR 1.45 (95% CI 1.27-1.66), and extreme obesity: OR 1.78 (95% CI 1.47-2.15)). Conclusion Obesity is independently associated with ARF after elective general surgery procedures.
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 | 0,000 |
| 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) | 0,001 | 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 ».