The impact of fellowship training on pathological outcomes following radical prostatectomy: a population based analysis
Notice bibliographique
Résumé
BACKGROUND: Radical prostatectomy (RP) is a common treatment for prostate cancer (PCa). Morbidity, mortality and pathological outcomes may be superior in academic institutions. One explanation may be the involvement of oncology fellowship trained urologists within academic institutions. The literature examining pathological outcomes often lacks individual surgeon data. The objective of this study was to compare pathological outcomes following RP between fellowship trained and non-fellowship trained urologists. METHODS: Population-based, retrospective chart review of men diagnosed with PCa between 2003 and 2008, the majority treated with open approach RP (>99%). Pathological outcomes were compared between oncology fellowship trained academic (FTA), non-fellowship trained academic (NFTA) and non-academic (NA) urologists. Relationships with pathological outcomes were examined utilizing multivariable logistic regression. RESULTS: 83.1% of eligible patients were included in our analysis resulting in 1075 patients. In multivariable analysis, surgeon group was an independent predictor of positive surgical margin (PSM) (p < 0.0001). NFTA and NA urologists were more likely to have PSM compared to FTA urologists (OR 2.50; 95% CI: 1.44-4.35 and OR 2.10; 95% CI: 1.53-2.88, respectively). However, the proportion of PSM between NFTA and NA urologists was not significant (p = 0.492). In addition, pathological stage (p = 0.0004), Gleason sum (p < 0.0001), and surgeon volume (p = 0.017) were associated with PSM. Limitations include retrospective design and lack of clinical and functional outcomes. CONCLUSIONS: Uro-oncology fellowship trained surgeons had significantly lower rates of PSM than non-fellowship trained surgeons in this population based cohort. This study demonstrates the importance of surgeon-related variables on pathological outcomes and highlights the value of additional urologic oncology fellowship training.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».