Preoperative hypoxic biomarkers and postoperative delirium in patients with obstructive sleep apnea
Notice bibliographique
Résumé
PURPOSE: Postoperative delirium (POD) in patients with obstructive sleep apnea (OSA) is associated with increased mortality and healthcare costs. In this study, we investigated the association of OSA risk, serum biomarkers for central nervous ischemia (S100B and NSE), and POD. METHODS: After research ethics approval, patients completed the STOP BANG assessment before undergoing elective surgery. Blood was drawn for S100B and NSE measurement, and cognitive performance was tested using the Montreal Cognitive Assessment (MoCA) at study admission and postoperatively at discharge. Delirium assessment was performed using the Nursing Delirium Screening Scale (NuDESC) and the Confusion Assessment Method (CAM). RESULTS: One hundred twenty-four enrolled patients were separated into three OSA-risk groups based on STOP BANG score testing (low risk, n = 22; intermediate risk, n = 67; high risk, n = 35). Preoperative NSE values increased with OSA risk (NSE in ng/ml; mean [range]; low risk: 15.6 [9.2-44.3]; intermediate risk: 21.8 [7.6-114.1]; high risk: 29.2 [10.1-151]; p = 0.039). Postoperative MoCA and NuDESC assessments were not different between the OSA-risk groups. We found a decreasing incidence for POD with increasing OSA risk (positive CAM: low risk: 18.1%, intermediate risk: 12.0%; high risk: 11.5%, p = 0.043). However, this was no longer detectable in a complete case analysis. In patients with POD, postoperative ischemic biomarker values were not different between OSA-risk groups. CONCLUSION: We found a trend of decreasing POD incidence with increasing OSA risk, which was not robust in a complete case analysis. Our results possibly support the phenomenon of hypoxic preconditioning.
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 | 0,001 |
| 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 ».