Robotic partial nephrectomy for renal tumours in obese patients: Perioperative outcomes in a multi-institutional analysis
Notice bibliographique
Résumé
INTRODUCTION: We sought to evaluate the association of obesity with surgical outcomes of robotic partial nephrectomy (RPN) using a large, multicentre database. METHODS: We identified 1836 patients who underwent RPN from five academic centres from 2006-2014. A total of 806 patients were obese (body mass index [BMI] ≥30 kg/m(2)). Patient characteristics and outcomes were compared between obese and non-obese patients. Multivariable analysis was used to assess the association of obesity on RPN outcomes. RESULTS: A total of 806 (44%) patients were obese with median BMI of 33.8kg/m(2). Compared to non-obese patients, obese patients had greater median tumour size (2.9 vs. 2.5cm, p<0.001), mean RENAL nephrometry score (7.3 vs. 7.1, p=0.04), median operating time (176 vs. 165 min, p=0.002), and median estimated blood loss (EBL, 150 vs. 100 ml, p=0.002), but no difference in complications. Obesity was not an independent predictor of operative time or EBL on regression analysis. Among obese patients, males had a greater EBL (150 vs. 100 ml, p<0.001), operative time (180 vs. 166 min, p<0.001) and warm ischemia time (WIT, 20 vs. 18, p=0.001), and male sex was an independent predictor of these outcomes on regression analysis. CONCLUSIONS: In this large, multicentre study on RPN, obesity was not associated with increased complications and was not an independent predictor of operating time or blood loss. However, in obese patients, male gender was an independent predictor of greater EBL, operative time, and WIT. Our results indicate that obesity alone should not preclude consideration for RPN.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,000 | 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 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 ».