The Learning Curve for Hip Arthroscopy: A Systematic Review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
PURPOSE: The learning curve for hip arthroscopy is consistently characterized as "steep." The purpose of this systematic review was to (1) identify the various learning curves reported in the literature, (2) examine the evidence supporting these curves, and (3) determine whether this evidence supports an accepted number of cases needed to achieve proficiency. METHODS: The electronic databases Embase and Medline were screened for any clinical studies reporting learning curves in hip arthroscopy. Two reviewers conducted a full-text review of eligible studies and a hand search of conference proceedings and reference sections of the included articles. Inclusion/exclusion criteria were applied, and a quality assessment was completed for each included article. Descriptive statistics were compiled. RESULTS: We identified 6 studies with a total of 1,063 patients. Studies grouped surgical cases into "early" versus "late" in a surgeon's experience, with 30 cases being the most common cutoff used. Most of these studies used descriptive statistics and operative time and complication rates as measures of competence. Five of 6 studies showed improvement in these measures between early and late experience, but only one study proposed a bona fide curve. CONCLUSIONS: This review shows that when 30 cases was used as the cutoff point to differentiate between early and late cases in a surgeon's experience, there were significant reductions in operative time and complication rates. However, there was insufficient evidence to quantify the learning curve and validate 30, or any number of cases, as the point at which the learning curve plateaus. As a result, this number should be interpreted with caution. LEVEL OF EVIDENCE: Level IV, systematic review of Level IV studies.
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.
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 | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,006 | 0,002 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découle