Sarcopenia and malnutrition: worthwhile prehabilitation targets?
Notice bibliographique
Résumé
Despite advances in surgical techniques and perioperative care, complications can beget prolonged hospital stays and increased morbidity and mortality [1–3]. Sarcopenia, characterized by loss of muscle mass and strength, and malnutrition are recognized as key surgical risk factors, particularly in older patients [4]. While malnutrition can exacerbate sarcopenia, the exact relationship between these conditions remains poorly understood [3, 4]. Abe et al.’s study, published in this issue of the European Journal of Cardio-Thoracic Surgery, provides valuable insights into the impact of these preoperative conditions on early postoperative outcomes. The recent tri-society statement from the European Association for Cardio-Thoracic Surgery (EACTS) and the European Association of Preventive Cardiology (EAPC) of the European Society of Cardiology (ESC) has advocated and provided guidance on pre-interventional frailty assessment [5]. Key components of this preoperative assessment are evaluation of sarcopenia and malnutrition. Despite the awareness of the association and contribution of these preoperative vulnerabilities, these conditions are often undiagnosed in clinical practice, highlighting a disconnect between the evidence and its application in patient care [1, 6–8]. Several barriers contribute to this gap. First, the absence of universal diagnostic criteria for sarcopenia in cardiac surgery patients complicates its identification and limits cross-study comparability [1]. Second, there is no consensus on the best tools for assessing these conditions in surgical patients. Without clear guidelines, clinicians may be uncertain about incorporating these evaluations into preoperative workflows [4]. Third, time and resource constraints, including the need for specialized personnel and equipment, often hinder routine screening for sarcopenia and malnutrition. The current article by Abe et al. seeks to, in part, address this 3rd barrier.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,038 | 0,031 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,005 |
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 source (Gemma direct ou Codex distillé), 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 ».