The Effect of Chronic Kidney Disease on Adverse In‐Hospital Outcomes at Radical Prostatectomy
Notice bibliographique
Résumé
OBJECTIVE: Radical prostatectomy (RP) may be a treatment option for prostate cancer in patients with chronic kidney disease (CKD). However, the effect of CKD on adverse in-hospital outcomes after RP is not well known. METHODS: Descriptive analyses, propensity score matching (PSM), and multivariable logistic and Poisson regression models were used to address National Inpatient Sample RP patients between 2005 and 2019. CKD severity was stratified as mild (stage I/II) versus moderate (stage III) versus severe (stage IV/V). RESULTS: Of 191 050 RP patients, 4349 (2.3%) had CKD. Of those, 2301 (52.9%), 1416 (32.6%), and 632 (14.5%) were classified as mild, moderate, or severe CKD, respectively. The CKD rate increased from 0.3% to 5.6% (2005-2019, EAPC: + 15.3%, p < 0.001). CKD patients invariably exhibited higher rates of adverse in-hospital outcomes, except for in-hospital mortality. The absolute differences were largest for overall complications (+ 12.5%), length of stay > 2 days (+ 11.8%), and blood transfusions (+ 3.7%, all p < 0.001). CKD was an independent predictor in all comparisons except for in-hospital mortality (p < 0.05). The detrimental effect was most pronounced for dialysis for acute kidney failure (multivariable odds ratio [OR] 10.49), genitourinary complications (OR: 2.47), and critical care therapies (OR: 2.45, all p < 0.001). Finally, a dose-response relationship of CKD severity (mild vs. moderate vs. severe) and its effect on adverse in-hospital outcomes was observed in seven of 14 comparisons. CONCLUSIONS: CKD patients invariably exhibited higher rates of adverse in-hospital outcomes after RP. The presence of CKD should be carefully considered when RP represents a management option.
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 ».