Prone Versus Supine Lasix Renal Scan to Assess Surgical Success After Laparoscopic and Robot-Assisted Pyeloplasty
Notice bibliographique
Résumé
PURPOSE: Success after laparoscopic pyeloplasty (LP) for ureteropelvic junction obstruction is determined based on renal scan (RS) results and patient symptoms ± ultrasonography. The upright or prone position during RS may facilitate drainage. This study reports on outcomes after LP and robot-assisted pyeloplasty (RALP) and determines if patient position (supine vs prone) alters the results of the postoperative RS and surgical "success." PATIENTS AND METHODS: A retrospective review of LP and RALP performed by one surgeon between 2005 and 2012 was performed. Follow-up consisted of RS ± ultrasonography. The paired t test was used to assess for a significant difference between mean T1/2 for supine vs prone scans in each patient. Linear regression was used to determine if preoperative split renal function on the affected side or degree of preoperative hydronephrosis predicted difference in supine vs prone T1/2. RESULTS: There were 11 LP and 81 RALP performed; 84 had follow-up data. There were four (4.3%) failures. Thirty-eight patients had sufficient supine and prone RS for analysis. The difference in T1/2 between supine and prone RS was significant (mean difference 10.18 ± 27.28 min, P = 0.03). Strict success increased to 65.8% from 44.7% and combined strict plus technical success increased to 78.9% from 63.1% on prone vs supine RS. Split function and degree of hydronephrosis were not predictors of difference in RS results. CONCLUSIONS: LP and RALP have good technical results. Prone position for RS may facilitate drainage and may be a more accurate representation of postoperative outcome after pyeloplasty, particularly in equivocal cases.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 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 ».