Surgical frailty assessment: a missed opportunity
Notice bibliographique
Résumé
Abstract Background Preoperative frailty predicts adverse postoperative outcomes. Despite the advantages of incorporating frailty assessment into surgical settings, there is limited research on surgical healthcare professionals’ use of frailty assessment for perioperative care. Methods Healthcare professionals caring for patients enrolled at a Canadian teaching hospital were surveyed to assess their perceptions of frailty, as well as attitudes towards and practices for frail patients. The survey contained open-ended and 5-point Likert scale questions. Responses were compared across professions using independent sample t-tests and correlations between survey items were analyzed. Results Nurses and allied health professionals were more likely than surgeons to think frailty should play a role in planning a patient’s care (nurses vs. surgeons p = 0.008, allied health vs. surgeons p = 0.014). Very few respondents (17.5%) reported that they ‘always used’ a frailty assessment tool. Results from qualitative data analysis identified four main barriers to frailty assessment: institutional, healthcare system, professional knowledge, and patient/family barriers. Conclusion Across all disciplines, the lack of knowledge about frailty issues was a prominent barrier to the use of frailty assessments in practice, despite clinicians’ understanding that frailty affects their patients’ outcomes. Confidence in frailty assessment tool use through education and addressing barriers to implementation may increase use and improve patient care. Healthcare professionals agree that frailty assessments should play a role in perioperative care. However, few perform them in practice. Lack of knowledge about frailty is a key barrier in the use of frailty assessments and the majority of respondents agreed that they would benefit from further training.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,063 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».