19 Prehabilitation in open gynecologic oncology procedures and radical cystectomy: a pathway to better outcomes and cost savings
Notice bibliographique
Résumé
Introduction As the surgical population ages, the risk of post-operative complications rises, highlighting the need for effective reduction strategies. Prehabilitation, a multimodal optimization program, seeks to reduce post-operative complications and enhance patient satisfaction. However, its cost-effectiveness and optimal implementation strategies remain unclear.Methods This study evaluated patients undergoing major gynecologic-oncology (N = 154) and radical cystectomy procedures (N = 62) at Vancouver General Hospital (VGH) in British Columbia, Canada, from 2017–2020. The prehabilitation in this study is part of the Surgical Patient Optimization Collaborative (SPOC), which promotes preoperative optimization across British Columbia. Our site selected seven of the 13 potential clinical components for preoptimization: smoking, anemia, diabetes, sleep apnea, nutrition, pain, and cardiovascular disease. Patients were identified preoperatively through surgical screening questionaries and promptly referred to management or treatment programs. Cost analysis used NSQIP and CIHI data, comparing prehabilitation patients to a matched control group while accounting for implementation costs (SPOC).Results Prehabilitation reduced costs by $480 per gynecologic-oncology patient, primarily by lowering readmissions and reoperations. For radical cystectomy, savings were $5,626 per patient, largely from reduced same-stay complications. Implementation prehabilitation costs for this study were estimated at $250, due to pre-existing programs. Assuming an optimization rate of 75%, annual net savings at VGH are estimated at $43,054 for gynecologic oncology and $342,741 for radical cystectomy procedures. Additionally, 75% of patients reported improved surgical experiences.Conclusion Prehabilitation enhances patient experience, reduces complications, and provides substantial cost savings, supporting its integration into surgical care pathways. These findings underscore its potential for broader adoption in preoperative optimization efforts.References Barberan-Garcia A, Ubre M, Pascual-Argente N, et al. Post-discharge impact and cost-consequence analysis of prehabilitation in high-risk patients undergoing major abdominal surgery: secondary results from a randomised controlled trial. British Journal of Anaesthesia 2019;123(4):450–456.Gillis C, Ljungqvist O, Carli F. Prehabilitation, enhanced recovery after surgery, or both? A narrative review. British Journal of Anaesthesia 2022;128(3).McIsaac DI, Gill M, Boland L, et al. Prehabilitation in adult patients undergoing surgery: an umbrella review of systematic reviews. British Journal of Anaesthesia 2022;128(2):244–257.Metzner M, Mayson K, Schierbeck G, Wallace T. The implementation of preoperative optimization in British Columbia: a quality improvement initiative. Can J Anaesth. 2024;71(12):1672–1684.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,001 |
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 ».