Defining the Optimal Surgeon Experience for Breast Cancer Sentinel Lymph Node Biopsy: A Model for Implementation of New Surgical Techniques
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
OBJECTIVE: To determine the optimal experience required to minimize the false-negative rate of sentinel lymph node (SLN) biopsy for breast cancer. SUMMARY BACKGROUND DATA: Before abandoning routine axillary dissection in favor of SLN biopsy for breast cancer, each surgeon and institution must document acceptable SLN identification and false-negative rates. Although some studies have examined the impact of individual surgeon experience on the SLN identification rate, minimal data exist to determine the optimal experience required to minimize the more crucial false-negative rate. METHODS: Analysis was performed of a large prospective multiinstitutional study involving 226 surgeons. SLN biopsy was performed using blue dye, radioactive colloid, or both. SLN biopsy was performed with completion axillary LN dissection in all patients. The impact of surgeon experience on the SLN identification and false-negative rates was examined. Logistic regression analysis was performed to evaluate independent factors in addition to surgeon experience associated with these outcomes. RESULTS: A total of 2,148 patients were enrolled in the study. Improvement in the SLN identification and false-negative rates was found after 20 cases had been performed. Multivariate analysis revealed that patient age, nonpalpable tumors, and injection of blue dye alone for SLN biopsy were independently associated with decreased SLN identification rates, whereas upper outer quadrant tumor location was the only factor associated with an increased false-negative rate. CONCLUSIONS: Surgeons should perform at least 20 SLN cases with acceptable results before abandoning routine axillary dissection. This study provides a model for surgeon training and experience that may be applicable to the implementation of other new surgical technologies.
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 | 0,000 |
| 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 | 0,000 |
| 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