Economic impact of postoperative delirium – Detection of risk factors for further prevention program
Notice bibliographique
Résumé
<strong>Introduction: </strong> Postoperative delirium (POD) is an underdiagnosed and adverse complication in older adults. The aim of the PRe-Operative Prediction of postoperative DElirium by appropriate Screening (PROPDESC) study was to develop a pragmatic screening risk score for POD. Furthermore, the medico economic outcome was examined in the additional subgroup analysis. <br /> \n<strong>Methods: </strong> The prospective observational monocentric study enrolled 1097 patients from Sept. 2018 to Oct. 2019 in the University Hospital Bonn. Inclusion criteria were patient aged 60 years and older and a planned surgery duration of at least 60 minutes. The primary endpoint POD was considered positive if any of the following tests were positive on any of the five postoperative visit days: Confusion Assessment Method for ICU (CAM-ICU), CAM, 4'A's Test (4AT) and Delirium Observation Scale (DOS). The development and validation of the score is based on data-driven approaches to model generation, a boosting process. Multiple logistic regression model was performed for multivariate analysis. <br /> \n<strong>Results: </strong> The selected and simplified PROPDESC score with an AUC of 0.725 includes the following variables: age, ASA and NYHA classification, surgical risk as well as ´serial subtraction´ and ´sentence repetition´ of the Montreal Cognitive Assessment. The results of the logistic regression for patients aged 70 years and older showed POD as an independent predictor for a prolonged length of stay (LOS) in Intensive Care Unit (ICU) (36 %; 95 % CI 4–78 %; &lt; 0.001) and in hospital (22 %; 95 % CI 4–43 %; &lt; 0.001). Furthermore, in the cardiac surgery subgroup, the number of POD patients testing positive differed substantially from the coded POD diagnoses in Hospital and the Germany-wide average. <br /> \n<strong>Conclusion: </strong> POD showed an independent effect on LOS in ICU and hospital and, moreover, it is highly underdiagnosed in clinical routine. The PROPDESC score, which can be collected in a short time, has good predictive accuracy regardless of surgical discipline.
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 | 0,001 |
| 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) | 0,038 | 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 ».