Electrosurgical injuries during robot assisted surgery: insights from the FDA MAUDE database
Notice bibliographique
Résumé
Introduction: The da Vinci surgical system requires the use of electrosurgical instruments. The re-use of such instruments creates the potential for stray electrical currents from capacitive coupling and/or insulation failure with subsequent injury. The morbidity of such injuries may negate many of the benefits of minimally invasive surgery. We sought to evaluate the rate and nature of electrosurgical injury (ESI) associated with this device. Methods: The Manufacturer and User Facility Device Experience (MAUDE) database is administered by the US Food and Drug Administration (FDA) and reports adverse events related to medical devices in the United States. We analyzed all incidents in the context of robotic surgery between January 2001 and June 2011 to identify those related to the use of electrosurgery. Results: In the past decade, a total of 605 reports have been submitted to the FDA with regard to adverse events related to the da Vinci robotic surgical platform. Of these, 24 (3.9%) were related to potential or actual ESI. Nine out of the 24 cases (37.5%) resulted in additional surgical intervention for repair. There were 6 bowel injuries of which only one was recognized and managed intra-operatively. The remainder required laparotomy between 5 and 8 days after the initial robotic procedure. Additionally, there were 3 skin burns. The remaining cases required conservative management or resulted in no harm. Conclusion: ESI in the context of robotic surgery is uncommon but remains under-recognized and under-reported. Surgeons performing robot assisted surgery should be aware that ESI can occur with robotic instruments and vigilance for intra- and post-operative complications is paramount.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».