Defining a learning curve for laparoscopic colorectal resections
Notice bibliographique
Résumé
PURPOSE: The purpose of this review was to define the learning curve for laparoscopic colorectal resections. METHODS: A prospectively accumulated, computerized database of all laparoscopic colorectal resections performed by three surgeons between April 1991 and March 1999 was reviewed. RESULTS: A total of 461 consecutive resections were evenly distributed among three surgeons (141, 155, and 165). Median operating time was 180 minutes for Cases 1 to 30 in each surgeon's experience and declined to a steady state (150-167.5 minutes) for Cases 31 and higher. Subsequently, Cases 1 to 30 were considered "early experience," whereas Cases 31 and higher were combined as "late experience" for statistical analysis. There were no significant differences between patients undergoing resections in the early experience and those undergoing resections in the late experience with respect to age, weight, or proportion of patients with malignancy, diverticulitis, or inflammatory bowel disease. There were greater proportions of males (42 vs. 54 percent, P = 0.046) and rectal resections performed (14 vs. 32 percent, P = 0.002) in the late experience. Trends toward declining rates of intraoperative complications (9 vs. 7 percent, P = 0.70) and conversion to open surgery (13.5 vs. 9.7 percent, P = 0.39) were observed with experience. Median operating time (180 vs. 160 minutes, P < 0.001) and overall length of postoperative hospital stay (6.5 vs. 5 days, P < 0.001) declined significantly with experience. There was no difference in the rate of postoperative complications between early and late experience (30 vs. 32 percent, P = 0.827). CONCLUSIONS: The learning curve for performing colorectal resections was approximately 30 procedures in this study, based on a decline in operating time, intraoperative complications, and conversion rate. Learning was also extended to clinical care because it was appreciated that patients could be discharged to their homes more quickly.
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 | 0,003 | 0,040 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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.
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 ».