Achieving proficiency with robot-assisted radical prostatectomy: Laparoscopic-trained versus robotics-trained surgeons
Notice bibliographique
Résumé
BACKGROUND: Initiating a robotics program is complex, in regards to achieving favourable outcomes, effectively utilizing an expensive surgical tool, and granting console privileges to surgeons. We report the implementation of a community-based robotics program among minimally-invasive surgery (MIS) urologists with and without formal robotics training. METHODS: From August 2008 to December 2010 at Kaiser Permanente Southern California, 2 groups of urologists performing robot-assisted radical prostatectomy (RARP) were followed since the time of robot acquisition at a single institution. The robotics group included 4 surgeons with formal robotics training and the laparoscopic group with another 4 surgeons who were robot-naïve, but skilled in laparoscopy. The laparoscopic group underwent an initial 7-day mentorship period. Surgical proficiency was measured by various operative and pathological outcome variables. Data were evaluated using comparative statistics and multivariate analysis. RESULTS: A total of 420 and 549 RARPs were performed by the robotics and laparoscopic groups, respectively. Operative times were longer in the laparoscopic group (p = 0.002), but estimated blood loss was similar. The robotics group had a significantly better overall positive surgical margin rate of 19.9% compared to the laparoscopic group (27.8%) (p = 0.005). Both groups showed improvements in operative and pathological parameters as they accrued experience, and achieved similar results towards the end of the study. CONCLUSIONS: Robot-naïve laparoscopic surgeons may achieve similar outcomes to robotic surgeons relatively early after a graduated mentorship period. This study may apply to a community-based practice in which multiple urologists with varied training backgrounds are granted robot privileges.
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 | 0,003 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».