Prevalence and factors influencing preoperative frailty in elderly patients with gynecologic oncology surgery: A cross-sectional study
Notice bibliographique
Résumé
BACKGROUND: Frailty is an important predictor of poor postoperative outcomes in elderly patients with gynaecologic cancer. However, the prevalence and risk factors for frailty in this population remain unclear. METHODS: This cross-sectional study was conducted simultaneously in three gynecology departments of a tertiary hospital in China between January and March 2024. The study recruited 126 hospitalised patients with gynaecologic malignancies who underwent surgery. The demographic and clinical characteristics and biochemical laboratory parameters of all patients were collected. The Edmonton Frailty Scale was used to assess the patient's frailty. Multivariate logistic regression model analysis was used to identify the influencing factors of frailty. RESULTS: The prevalence of preoperative frailty was 31 %. Univariate analysis showed significant differences between frail and non-frail groups in terms of age, body mass index, menopausal status, self-management ability, nutritional risk and activities of daily living (ADL) (all p < 0.05). Multiple logistic regression analysis identified older age (odds ratio [OR] = 1.27, 95%CI: 1.068-1.511, p = 0.007), ADL disability (OR = 3.184, 95%CI: 2.294-4.833, p = 0.010) and high nutritional risk (Nutritional Risk Screening 2002 score ≥ 3) (OR = 4.823, 95%CI: 1.422-16.816, p = 0.031) as risk factors for frailty. High self-management ability (OR = 0.918, 95%CI: 0.844-0.998, p = 0.046) was a protective factor against frailty. CONCLUSION: Nutritional support, activity exercise and improvement of patient self-management are potential intervention goals, and nurses should develop targeted prevention strategies based on identified risk factors to protect patient health.
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) | 0,001 | 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 | 0,000 |
| 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 ».