Facteurs prédictifs, facteurs pronostiques et coûts d'un séjour prolongé en soins intensifs en post-opératoire d'une chirurgie pour dissection aortique de type A
Bibliographic record
Abstract
Introduction : la chirurgie des dissections aortiques de type A selon la classification de Stanford est associée à un haut risque de morbidité et de mortalité. Les facteurs prédictifs, les facteurs pronostiques et les coûts d'une prise en charge prolongée de ces patients en secteur de soins intensifs de chirurgie cardiaque n'ont pas encore été étudiés. Méthode : cette analyse a inclus 3538 patients de la base de données ERTAAD ( European registry of Type A aortic Dissection), comprenant tous les patients ayant bénéficié d'une chirurgie pour dis.section aortique aigue de type A puis d'une prise en charge en soins intensifs de chirurgie cardiaque, entre janvier 2005 et mars 2021, dans 17 centres de chirurgie cardiaque répartis dans huit pays européens. Le critère de jugement principal était la mortalité intra-hospitalière. Résultats : la durée moyenne de séjour en soins intensifs de chirurgie cardiaque était de 9.9 ±9.5 jours. Le coût total moyen d'une prise en charge en soins intensifs de chirurgie cardiaque était de 24 086 ±32 084 €. La mortalité intra-hospitalière dans cette série était de 14,8% et la mortalité à cinq ans était de 30.5%. Conclusion : un séjour prolongé en soins intensifs de chirurgie cardiaque est courant en postopératoire de chirurgie pour dissection aortique de type A. Dans notre étude, il s'agit d'un facteur associé à une meilleure survie jusqu'à cinq ans après le geste chirurgical.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".