A meta-analysis of risk factors for non-superficial surgical site infection following spinal surgery
Notice bibliographique
Résumé
Abstract Background Surgical site infection (SSI) is the most common complications in spinal surgery. In SSI, non-superficial surgical site infections are more likely to result in poor clinical outcomes. It has been reported that there are multiple factors contributing to postoperative non-superficial SSI, but still remains controversial. Therefore, the aim of this meta-analysis is to investigate the potential risk factors for non-superficial SSI following spinal surgery. Methods A systematic database search of PubMed, Embase, Web of Science, Cochrane Library and Clinical Trials was performed for relevant articles published until September 2022. According to the inclusion and exclusion criteria, two evaluators independently conducted literature screening, data extraction and quality evaluation of the obtained literature. The Newcastle–Ottawa Scale (NOS) score was used for quality evaluation, and meta-analysis was performed by STATA 14.0 software. Results A total of 3660 relevant articles were initially identified and 11 articles were finally included in this study for data extraction and meta-analysis. The results of meta-analysis showed that the diabetes mellitus, obesity, using steroids, drainage time and operative time were related to the non-superficial SSI. The OR values (95%CI) of these five factors were 1.527 (1.196, 1.949); 1.314 (1.128, 1.532); 1.687(1.317, 2.162); 1.531(1.313, 1.786) and 4.255(2.612, 6.932) respectively. Conclusions Diabetes mellitus, obesity, using steroids, drainage time and operative time are the current risk factors for non-superficial SSI following spinal surgery. In this study, operative time is the most important risk factor resulting in postoperative SSI.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,000 | 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) | 0,126 | 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 ».