MétaCan
Menu
← Retour à la cohorte
Enregistrement W4406352822 · doi:10.14740/jocmr6024

Predicting Extended Intensive Care Unit Stay Following Coronary Artery Bypass Grafting and Its Impact on Hospitalization and Mortality

2025· article· en· W4406352822 sur OpenAlexvenueno aff
Nizar R. Alwaqfi, Majd M. AlBarakat, Walid K Hawashin, Hala R Qariouti, Ayah J Alkrarha, Rana B Altawalbeh

Notice bibliographique

RevueJournal of Clinical Medicine Research · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueCardiac, Anesthesia and Surgical Outcomes
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMedicineBypass graftingIntensive care unitArteryGraftingCardiologyCoronary care unitInternal medicineEmergency medicineIntensive care medicineMyocardial infarction

Résumé

récupéré en direct d'OpenAlex

Background: Coronary artery bypass grafting (CABG) is a prevalent surgical procedure aimed at alleviating symptoms and improving survival in patients with coronary artery disease (CAD). Postoperative care typically necessitates an intensive care unit (ICU) stay, which is ideally less than 24 h. However, various preoperative, intraoperative, and postoperative factors can prolong ICU stays, adversely affecting hospital resources, patient outcomes, and overall healthcare costs. This study investigates the factors contributing to prolonged ICU stay (> 48 h) following CABG and CABG combined with valve surgery, and examines the associated impacts on complications and mortality. Methods: This retrospective cohort study analyzed 1,395 patients who underwent isolated CABG or CABG combined with heart valve surgery at King Abdullah University Hospital (KAUH) between January 2004 and December 2022. Patients were categorized into two groups: those with ICU stays ≤ 48 h (group 1, n = 1,082) and those with ICU stays > 48 h (group 2, n = 313). Clinical, laboratory, and demographic data were collected and evaluated to identify risk factors for prolonged ICU stays. Results: Patients in group 2 were older, with a mean age of 61.5 years compared to 58.7 years in group 1 (P < 0.001). Significant predictors of prolonged ICU stay included preoperative conditions such as recent myocardial infarction (odds ratio (OR) = 1.69, P = 0.015), chronic obstructive pulmonary disease or asthma (OR = 1.49, P = 0.003), and preoperative renal impairment (OR = 1.89, P = 0.002). Intraoperative factors such as emergency or urgent procedures (OR = 2.19, P < 0.001) and prolonged ventilator support (OR = 5.92, P < 0.001) were also significant. Postoperative complications, including renal impairment (OR = 6.78, P < 0.001) and pneumonia or sepsis (OR = 8.92, P < 0.001), were strongly associated with extended ICU stays. Conclusions: Prolonged ICU stays are indicative of patients with more severe baseline conditions, greater surgical complexity, and higher rates of postoperative complications, which collectively contribute to increased risks of severe adverse outcomes and mortality. Prolonged ICU stays after CABG are strongly associated with preoperative comorbidities, intraoperative challenges, and postoperative complications, leading to increased mortality and significant healthcare resource utilization. Identifying these risk factors and implementing targeted strategies to address them can help minimize ICU stay durations, improve patient outcomes, and enhance the efficiency of cardiac surgery care. Future research should focus on refining predictive models and optimizing perioperative management to further reduce the burden of prolonged ICU stays on healthcare systems.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,142
Tête enseignante GPT0,541
Écart entre enseignants0,399 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Clinical Medicine Research→Même sujetCardiac, Anesthesia and Surgical Outcomes→Travaux en français237 207→