Risk factors for perioperative blood transfusion in total hip arthroplasty: a meta-analysis
Notice bibliographique
Résumé
OBJECTIVE: The present study assessed and synthesized the potential risk factors for perioperative blood transfusion in total hip arthroplasty from various studies through Meta-analysis. METHODS: We systematically searched for relevant studies in databases including Web of Science, PubMed, Embase, and Cochrane Library from the time of database creation to 1 February 2025 and included all observational studies exploring perioperative transfusion risk factors in patients undergoing total hip arthroplasty. All included studies were assessed for quality using the Newcastle-Ottawa Scale (NOS) scale. Data were analyzed using Stata 15 software. RESULTS: A total of 18 articles (n = 424,158) were included, meta-analysis results suggest that increased intraoperative bleeding [OR = 1.13, 95%CI (1.02, 1.24)], increased postoperative drainage [OR = 2.24, 95%CI (1.24, 4.83)], body mass index ≤ 18.5 [OR = 1.10, 95%CI (1.02, 1.20)], preoperative anemia [OR = 1.82, 95%CI (1.62, 2.03)], age ≥ 80 [OR = 1.49 95%CI(1.21, 1.83)], female [OR = 1.92, 95%CI (1.71, 2.15)], ASA class ≥ 3 [OR = 2.06, 95%CI (1.63, 2.61)] in patients with total hip arthroplasty (THA) increases the incidence of perioperative blood transfusion. CONCLUSION: The results of the current study suggest that increased intraoperative bleeding, increased postoperative drainage, low body mass index (≤ 18.5), preoperative anemia, advanced age (≥ 80 years), female gender, and high ASA classification (≥ 3) were significantly associated with the likelihood of needing blood transfusion. These findings highlight the importance of preoperative risk assessment and perioperative management strategies to reduce the need for blood transfusion and improve patient outcomes.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,016 |
| Bibliométrie | 0,002 | 0,002 |
| 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».