Risk Factors and Reoperation Rate in Revision Lumbar Disc Herniation Surgery: A Systematic Review and Meta-Analysis of 1,031,348 Patients
Notice bibliographique
Résumé
Study Design A systematic review and meta-analysis. Objectives To estimate reoperation rate after lumbar disc herniation surgery and identify associated risk factors. Methods We searched PubMed, Cochrane Central Register of Controlled Trials (CENTRAL), Web of Science, Scopus, and Embase to April 2025 for English-language randomized controlled trials and observational studies reporting risk factors and reoperation rates. Two reviewers independently screened studies, extracted data, and assessed quality using the Newcastle–Ottawa Scale and Cochrane Risk of Bias 2.0 tool. Meta-analysis used fixed-effect model. Results Twenty-five studies (1,031,348 patients) met the inclusion criteria. The pooled reoperation rate was 8.5% (95% CI: 6.2%-11.6%), rising with follow-up: 4% at ≤1 year, 11.1% at 1-5 years, and 8.8% beyond 5 years ( P < 0.0001 for subgroup differences). Smoking (OR 1.39; 95% CI: 1.09-1.78), older age (OR 1.52; 95% CI: 1.25-1.85), and large annular defect size (OR 2.19; 95% CI: 1.07-4.48) were significant risk factors; sex was not (OR 1.22; 95% CI: 0.96-1.55). Diabetes and certain surgical techniques were also linked to higher risk in individual studies. Adjustment for publication bias increased the overall pooled rate to 10.3% (95% CI: 7.6%-14.0%). Conclusions Reoperation rates after lumbar disc herniation surgery differ by follow-up duration: 4% at ≤1 year, 11.1% at 1-5 years, and 8.8% beyond 5 years. Smoking, older age, diabetes, and large annular defects were significant risk factors. Recognizing high-risk patients can support decisions for extended conservative care or closer follow-up. Further studies should compare revision techniques to improve long-term 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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,009 | 0,002 |
| 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 ».