The association between preoperative modified frailty index and postoperative complications in Chinese elderly patients with hip fractures
Notice bibliographique
Résumé
Abstract Objectives To investigate the role of a preoperative modified frailty index (mFI) based on data from medical records in predicting postoperative complications among older Chinese patients with hip fractures. Methods This retrospective cohort study included consecutive older patients with hip fracture admitted to the Department of Orthopaedics, West China Hospital, Sichuan University, from December 2010 to June 2017 who underwent surgical repair. We selected 33 variables, including characteristics of hip fracture, to construct a mFI. Each variable was coded with a value of 0 when a deficit was absent or 1 when it was present. We calculated the mFI as the proportion of positive items and defined frailty as mFI value greater than or equal to 0.21 according to threshold proposed by Hoover et al. We examined the relationship between mFI and severity of postoperative complications and the occurrence of in-hospital pneumonia including statistical adjustment for several demographics (e.g. age, gender, and marital status) and habits (smoking and alcohol intake), time from fracture to surgery in the multivariable model. Results We included 965 patients (34% male; mean age: 76.77 years; range: 60 to 100 years) with a prevalence of frailty of 13.06%. The presence of frailty was associated with a higher severity of complications (OR: 2.07; 95% CI: 1.40 to 3.05). Frail patients were more likely to develop in-hospital pneumonia than non-frail patients (OR: 2.08; 95% CI: 1.28 to 3.39). Conclusion The preoperative modified frailty index based on data from medical records proved significantly associated with postoperative complications among older patients with hip fractures undergoing hip surgery.
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) | 0,000 | 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) | 0,006 | 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 ».