Sepsis in burn care: incidence and outcomes
Notice bibliographique
Résumé
BACKGROUND: Although sepsis is known to be the leading cause of morbidity and mortality in adult burn patients, its epidemiology and impact are poorly understood. This study aims to address these gaps by further characterizing predictors of sepsis and comparing outcomes between septic and non-septic burn patients in different age groups. METHODS: We included patients (≥ 18 years) with thermal burn injuries ≥ 5% total body surface area (TBSA) admitted to two burn centers between 1 January 2006 and 30 June 2021, and 1 January 2023 and 6 April 2025. Patients were stratified by age into adults (18-59 years) and older adults (≥ 60 years), and by diagnosis of sepsis during hospitalization (sepsis vs. control). Demographics, injury characteristics, mortality, and in-hospital complications were assessed. Multivariate logistic regression models were used to identify predictors of sepsis and mortality among septic patients. RESULTS: This study included a total of 1465 patients, including 1094 adults and 371 older adults. Sepsis was diagnosed in 20.1% of adult burn patients, with a median onset at 10 d following injury. Increasing age, greater TBSA, and inhalation injury were identified as significant risk factors for sepsis. Among patients who developed sepsis, earlier onset and female sex were associated with an elevated risk of mortality. In older adults, the incidence of sepsis was 22.9%, with a median onset at 11 d post-burn. The odds of sepsis diagnosis increased with higher TBSA and the presence of inhalation injury. Earlier sepsis onset was associated with increased mortality in older adults. CONCLUSIONS: Sepsis represents a significant clinical challenge in burn patients, with age, TBSA, inhalation injury, and comorbidities significantly influencing its incidence and outcomes. Notably, early sepsis onset and female sex are associated with increased mortality, highlighting the need for advanced monitoring, prompt interventions, and the exploration of innovative sex-specific strategies to optimize outcomes in this high-risk population.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».