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
BACKGROUND: New surgical techniques should be formally evaluated for feasibility and safety. As a model for this evaluation, this study examines the authors' institution's experience with splenectomy for benign and malignant hematologic disease since the introduction of laparoscopic splenectomy (LS) in 1996. The authors present the evaluation of the recognized surgeon/institutional learning curve using CUSUM (cumulative sum) analysis. METHODS: This is a single institution retrospective chart review of consecutive splenectomies for hematologic disease performed between 1996 and 2008. The primary outcome was conversion to open splenectomy. The learning curve for LS was evaluated using CUSUM analysis. RESULTS: A total of 123 splenectomies were performed for benign (51.2%) or malignant (48.7%) hematologic disease. 58% of patients underwent planned LS, with a 21% conversion rate. The surgeon's overall learning curves for LS, as well as that for malignant disease, were maintained within acceptable conversion thresholds. However, the learning curve for benign disease did cross the unacceptable conversion threshold at case 29. With additional experience, the curve again approached the acceptable conversion threshold. Patients with malignant disease were significantly older (P = .0004), had larger spleens (P = .0004), were more likely to undergo open splenectomy (P = .001), and had longer lengths of stay (P = .01). However, there was no significant difference in operative time, transfusion requirements, morbidity rates, or mortality rates between patients with benign and malignant disease. CONCLUSION: LS, for benign or for malignant hematologic disease, is associated with a significant learning curve. This evaluation model illustrates that careful patient selection and ongoing quality assessment is essential when introducing a new technique.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,001 | 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