Learning curve for laparoscopic totally extraperitoneal repair of inguinal hernia
Notice bibliographique
Résumé
BACKGROUND: Laparoscopic totally extraperitoneal (TEP) repair has been accepted as a popular procedure for inguinal hernia repair, but surgeons still encounter technical difficulties owing to unfamiliar pelvic anatomy and limited working space. We sought to estimate the learning curve for laparoscopic TEP repair without supervision. METHODS: We retrospectively analyzed the medical records of patients scheduled for laparoscopic TEP repair of an inguinal hernia from December 2000 to October 2007. RESULTS: We reviewed medical records for 700 patients. The cases were divided into 8 groups: 20 patients each in groups I-V and 200 patients each in groups VI-VIII. No significant difference in demographic characteristics was identified among the groups. The mean duration of surgery significantly decreased (p < 0.001) in relation to experience; it reached a plateau of less than 30 minutes (mean 28 min) after 60 cases. The mean length of stay in hospital was 0.97 days, reaching a plateau after 20 cases. Six patients were converted to other techniques: 1 patient each in groups III and VIII and 4 patients in group VII. Three recurrences were detected; however, 2 were excluded because the patient had bilateral inguinal hernias. CONCLUSION: We estimate the learning curve for laparoscopic TEP repair is 60 cases for a beginner surgeon. The presence of an experienced supervisor during the first 60 cases can help prevent unnecessary complications and shorten the duration of surgery.
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 | 0,001 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,000 | 0,000 |
| 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 ».