Preoperative and intraoperative factors predictive of length of hospital stay after pulmonary lobectomy.
Notice bibliographique
Résumé
BACKGROUND: Length of hospital stay is an important determinant of overall surgical costs. Health care resources are finite, so reductions in length of stay are desirable. We reviewed our experience with pulmonary lobectomy to identify preoperative and intraoperative factors that predicted the length of postoperative hospital stay. By identifying these factors, we hoped to favorably influence future patient management. METHODS: Records of patients undergoing pulmonary lobectomy for benign or malignant disease over a four-year period (1998-2001) were reviewed. Data was collected on age, sex, pulmonary function, pulmonary pathology, cigarette smoking, type of thoracotomy incision, use of surgical sealants, surgeon, and length of hospital stay. RESULTS: Three hundred and sixty patients underwent lobectomy. Forward stepwise regression identified age (p=0.022), FEV1 (forced expiratory volume in one second) (p=0.047), diffusion capacity (p=0.020), and surgeon (p<0.001) as independent factors predictive of hospital length of stay. When these four factors were analyzed in a multiple linear regression model, the surgeon variable emerged as the strongest predictor of length of stay (p<0.001). CONCLUSIONS: Although patient factors were influential, the individual surgeon was the most important determinant of hospital length of stay after pulmonary lobectomy. It may be possible to reduce length of hospital stay by identifying variations in practice within the surgical group, and encouraging widespread adoption of "best practice" surgical techniques.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».