Application value of different frailty assessment tools in older patients undergoing major abdominal surgery
Notice bibliographique
Résumé
BACKGROUND: Multiple frailty assessment tools are available for clinical practice, but the optimal tool remains unclear. This study aimed to compare the diagnostic performance of frail scale (FS), frailty phenotype (FP),11-item modified frailty index (mFI-11), Edmonton Frail Scale (EFS), and Tilburg Frailty Indicator (TFI) for frailty taking the comprehensive geriatric assessment (CGA) as the gold standard, and their ability to predict 30-day postoperative complications and prolonged length of stay (PLOS). METHODS: This study recruited older patients (≥ 65 years) undergoing elective major abdominal surgery. The receiver operating characteristic (ROC) curves, technique for order preference by similarity to ideal solution (TOPSIS), and decision analysis curve (DCA) were used to validate the diagnostic, comprehensive, and predictive performance of 5 tools in frailty, complications, and PLOS. RESULTS: EFS presented moderate consistency with CGA (Kappa = 0.544, P < 0.001), excellent performance in diagnosing frailty (area under the ROC curve (AUC) = 0.881, P < 0.001), and high clinical net benefit within the risk threshold ranging from 0.8 % to 57.44 %. Although EFS had the largest AUC for predicting complications (AUC = 0.612) and PLOS (AUC = 0.642) and showed high clinical net benefit, its predictive performance was poor (AUC < 0.7). The TOPSIS indicated that EFS required optimization in multiple aspects (closeness coefficient (Ci) < 0.8). CONCLUSION: EFS has excellent diagnostic performance and clinical net benefit for frailty. However, further research is required to identify optimal tools or combine EFS with additional indicators to enhance its comprehensive and predictive performance for complications and PLOS.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».