Frailty of patients scheduled for cardiac surgery — a pilot study
Notice bibliographique
Résumé
Introduction. Frailty has been recently approved in many surgical fields as the acknowledged preoperative predictor of adverse postoperative complications. Several methods are available to assess frailty assessment which focus on different patient-related data. The aims of the study were: 1) to verify whether frailty may predict early postoperative complications in cardiac surgery; and 2) to investigate the agreement between objective and subjective assessment of frailty. Material and methods. This prospective study included 54 consecutive patients (32 men; median age 75 years) hospitalized between December 2015 and February 2016. Frailty was assessed using the Edmonton Frail Scale (EFS, subjective tool) and the Modified Frailty Index (MFI, objective tool). Complications were evaluated based on medical records. Results. The median EFS was 6 (IQR 5–7) points. Frailty was observed in 15% and vulnerability in 49% of subjects. The median MFI was 0.45 (IQR 0.36–0.56). We found a weak correlation between frailty and the length of hospital stay (EFS: r = 0.22; P = 0.1; MFI: r = 0.324; P = 0.02). Neither tools could predict the occurrence of postoperative complications (EFS: AUROC = 0.602; 95% CI 0.459–0.732; P = 0.2; MFI: AUROC = 0.532; 95% CI 0.389–0.670; P = 0.2). We found no correlation between EFS and MFI (r = 0.05, P = 0.7). Conclusions. Although many elderly cardiac surgical patients are at risk of frailty, none of the evaluated methods could predict postoperative complications. Available diagnostic tools to assess frailty cannot be used interchangeably. Subjective assessment (by a patient) should be verified by objective evaluation (by a treating physician) and conclusions should be drawn based on the overall clinical picture.
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 | 0,005 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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; 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 ».