The effect of multimodal prehabilitation on postoperative outcomes in lung cancer surgery
Notice bibliographique
Résumé
OBJECTIVE: Patients with lung cancer are often elderly, frail, and smokers with poor functional reserve, making them excellent candidates for multimodal prehabilitation to improve postoperative outcomes. Patients referred to the prehabilitation clinic are at an even higher surgical risk. This retrospective observational study aimed to compare the postoperative 30-day outcomes in lung cancer surgery among the propensity score-matched patients. METHODS: Patients who underwent lung cancer surgery between August 2018 and January 2024 were accessed for eligibility. After exclusion, a 1:1 propensity score-matching analysis was performed based on the following baseline characteristics: respiratory disease, predicted length of stay based on American College of Surgeons National Surgical Quality Improvement Program, Duke Activity Status Index less than 34, tumor stage, and neoadjuvant therapy. Baseline characteristics, preoperative and intraoperative data, and postoperative outcomes were compared between the matched patients. RESULTS: Among 1242 patients, 555 were selected for propensity score matching, resulting in 147 matched pairs in each group. The control group exhibited significantly higher rates of overall (65.3% vs 46.3%, P = .001) and major complications (27.9% vs 13.6%, P = .003). Patients who underwent multimodal prehabilitation had a significantly lower Comprehensive Complication Index (12.2 [0-26.2] vs 0 [0-20.9], P < .0001), reduced intensive care unit admission rates (8.2% vs 2.7%, P = .040), and lower readmission rates (14.3% vs 6.1%, P = .021). CONCLUSIONS: Multimodal prehabilitation significantly reduced overall and major postoperative 30-day complications in lung cancer surgery. It also contributed to reducing the severity of complications. These findings suggest that multimodal prehabilitation may improve postoperative outcomes for patients with lung cancer.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».