From frailty to function after cardiac surgery: a call for nurse-led holistic innovation
Notice bibliographique
Résumé
This invited commentary refers to ‘Frailty changes after cardiac surgery: better or worse?’, by C.-H. Teng et al., https://doi.org/10.1093/eurjcn/zvaf089. The research by Teng et al.,1 ‘Frailty changes after cardiac surgery: better or worse?’, provides valuable insights into the dynamic relationship between cardiac surgery and frailty trajectories. As the global burden of cardiovascular disease grows alongside ageing populations, with cardiac intervention volumes remaining persistently high,2 understanding post-operative frailty trajectories becomes increasingly critical for clinical decision-making. This secondary analysis of 273 patients undergoing various cardiac procedures demonstrates that 92.5% of patients maintained or improved their frailty status at 6 months post-operatively when assessed using the Fried frailty phenotype. Most remarkably, 79.4% of patients classified as frail at baseline showed measurable improvement. The study’s longitudinal design represents a critical methodological advancement beyond the cross-sectional approaches that continue to dominate frailty research.3 They employed the validated Fried frailty phenotype, which assesses five physical domains: unintentional weight loss, exhaustion, weakness, slowness, and low physical activity.4 This ensures methodological consistency with established frameworks while enabling meaningful comparisons. The inclusion of a ‘worst-case scenario’ analysis, where deaths and losses to follow-up were conservatively classified as frailty worsening, strengthens the findings by accounting for potential attrition bias.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».