Outcomes and Cost Comparisons After Introducing a Robotics Program for Endometrial Cancer Surgery
Notice bibliographique
Résumé
OBJECTIVE: To evaluate the effect of introducing a robotic program on cost and patient outcome. METHODS: This was a prospective evaluation of clinical outcome and cost after introducing a robotics program for the treatment of endometrial cancer and a retrospective comparison to the entire historical cohort. RESULTS: Consecutive patients with endometrial cancer who underwent robotic surgery (n=143) were compared with all consecutive patients who underwent surgery (n=160) before robotics. The rate of minimally invasive surgery increased from 17% performed by laparoscopy to 98% performed by robotics in 2 years. The patient characteristics were comparable in both eras, except for a higher body mass index in the robotics era (median 29.8 compared with 27.6; P<.005). Patients undergoing robotics had longer operating times (233 compared with 206 minutes), but fewer adverse events (13% compared with 42%; P<.001), lower estimated median blood loss (50 compared with 200 mL; P<.001), and shorter median hospital stay (1 compared with 5 days; P<.001). The overall hospital costs were significantly lower for robotics compared with the historical group (Can$7,644 compared with Can$10,368 [Canadian dollars]; P<.001) even when acquisition and maintenance cost were included (Can$8,370 compared with Can$10,368; P=.001). Within 2 years after surgery, the short-term recurrence rate appeared lower in the robotics group compared with the historic cohort (11 recurrences compared with 19 recurrences; P<.001). CONCLUSION: Introduction of robotics for endometrial cancer surgery increased the proportion of patients benefitting from minimally invasive surgery, improved short-term outcomes, and resulted in lower hospital costs. LEVEL OF EVIDENCE: II.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 ».