MétaCan
Menu
Retour à la cohorte
Enregistrement W1574275339 · doi:10.1046/j.1464-410x.2003.04428.x

Mentored retroperitoneal laparoscopic renal surgery in children: a safe approach to learning

2003· article· en· W1574275339 sur OpenAlexaffabout
Walid A. Farhat, Antoine E. Khoury, Darius Bägli, Gordon A. McLorie, Alaa El‐Ghoneimi

Notice bibliographique

RevueBritish Journal of Urology · 2003
Typearticle
Langueen
DomaineMedicine
ThématiqueMinimally Invasive Surgical Techniques
Établissements canadiensSickKids FoundationHospital for Sick ChildrenUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésMedicineMentorshipLaparoscopic surgeryGeneral surgeryAblative caseSurgeryInvasive surgeryLaparoscopyRadiation therapyMedical education

Résumé

récupéré en direct d'OpenAlex

Minimally invasive surgery is not exclusive to the treatment of adult conditions. It has also been used in paediatric urology, and the authors from Toronto and Paris describe a mentorship‐training model for laparoscopic retroperitoneal surgery. They confirmed that a mentored approach is the way to develop this procedure. They also found that ablative procedures are learned relatively early, but that reconstructive procedures require a high degree of skill in laparoscopic techniques, requiring formal training focusing mainly on suturing techniques. OBJECTIVE To review the feasibility of introducing advanced retroperitoneal renal laparoscopic surgery (RRLS) to a paediatric urology division, using the mentorship‐training model. Although the scope of practice in paediatric urology is currently adapting endoscopic surgery into daily practice, most paediatric urologists in North America have had no formal training in laparoscopic surgery. METHODS The study included four paediatric urologists with 3–25 years of practice; none had had any formal laparoscopic training or ever undertaken advanced RRLS. An experienced laparoscopic surgeon (the mentor) assisted the learning surgeons over a year. The initial phases of learning incorporated detailed lectures, visualization through videotapes and ‘hands‐on’ demonstration by the expert in the technique of the standardized steps for each type of surgery. Over 10 months, ablative and reconstructive RRLS was undertaken jointly by the surgeons and the mentor. After this training the surgeons operated independently. To prevent lengthy operations, conversion to open surgery was planned if there was no significant progression after 2 h of laparoscopic surgery. RESULTS Over the 10 months of mentorship, 36 RRLS procedures were undertaken in 31 patients (28 ablative and eight reconstructive). In all cases the mentored surgeons accomplished both retroperitoneal access and the creation of a working space within the cavity. The group was able to initiate ablative RRLS but the mentor undertook all the reconstructive procedures. After the mentorship period, over 10 months, 12 ablative procedures were undertaken independently, and five other attempts at RRLS failed. CONCLUSION Although the mentored approach can successfully and safely initiate advanced RRLS in a paediatric urology division, assessing the laparoscopic practice pattern after mentorship in the same group of trainees is warranted. Ablative RRLS is easier to learn for the experienced surgeon, but reconstructive procedures, e.g. pyeloplasty, require a high degree of skill in laparoscopic technique, which may only be acquired through formal training focusing primarily on suturing 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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,014

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,001
Communication savante0,0010,002
Science ouverte0,0010,004
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,018
Tête enseignante GPT0,257
Écart entre enseignants0,239 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations44
Publié2003
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueBritish Journal of UrologyMême sujetMinimally Invasive Surgical TechniquesTravaux en français237 207