Factors predicting prolonged operative time for individual surgical steps of robot-assisted radical prostatectomy (RARP): A single surgeon’s experience
Notice bibliographique
Résumé
INTRODUCTION: We evaluated the average time required to complete individual steps of robotic-assisted radical prostatectomy (RARP) by an expert RARP surgeon. The intent is to help establish a time-based benchmark to aim for during apprenticeship. In addition, we aimed to evaluate preoperative patient factors, which could prolong the operative time of these individual steps. METHODS: We retrospectively identified 247 patients who underwent RARP, performed by an experienced robotic surgeon at our institution. Baseline patient characteristics and the duration of each step were recorded. Multivariate analysis was performed to predict factors of prolonged individual steps. RESULTS: In multivariable analysis, obesity was a significant predictor of prolonged operative time of: docking (odds ratio [OR] 1.96), urethral division (OR 3.13), and vesico-urethral anastomosis (VUA) (OR 2.63). Prostate volume was also a significant predictor of longer operative time in dorsal vein complex ligation (OR 1.02), bladder neck division (OR 1.03), pedicle control (OR 1.04), urethral division (OR 1.02), and VUA (OR 1.03). A prolonged bladder neck division was predicted by the presence of a median lobe (OR 5.03). Only obesity (OR 2.56) and prostate volume (OR 1.04) were predictors of a longer overall operative time. CONCLUSIONS: Obesity and prostate volume are powerful predictors of longer overall operative time. Furthermore, both can predict prolonged time of several individual RARP steps. The presence of a median lobe is a strong predictor of a longer bladder neck division. These factors should be taken into consideration during RARP training.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».