Impact of a teaching program on outcome quality of white light transurethral resection for bladder tumor: A cohort study
Notice bibliographique
Résumé
Objective: To test the hypothesis that a teaching program improves the quality of transurethral resection of bladder tumor (TURBT) and decreases the risk of early recurrence. Material and methods: This is an observational retrospective cohort study of prospectively recorded data of patients with first clinical diagnosis of non-muscle-invasive bladder cancer (NMIBC), scheduled for TURBT. In 2005 a systematic TURBT teaching program was introduced in our Department. We reviewed the charts of patients who underwent TURBT in the years 1998-2004, when no tutoring was applied, and those who underwent TURBT in the years 2005-2010. The outcomes of interest were: presence/absence of detrusor muscle (DM), carcinoma in situ (CIS) detection, complication rate and recurrence rate at the first follow-up cystoscopy (RRFF-C). Results: Complete data from 427 patients were available: 199 before and 228 after the introduction of the teaching program. Multivariable logistic analysis showed that the training program was an independent prognostic factor for DM (presence) rate (OR = 3.92, 95%CI = 2.42-6.33), CIS detection rate (OR = 4.36, 95%CI = 1.92-9.86), and complication rate (OR = 0.28, 95%CI = 0.15-0.55), but not for RRFF-C (OR = 0.79, 95%CI = 0.52-1.20). Between 1998-2004, RRFF-C was correlated with tumor number, pathological stage, DM presence, presence of complication, CIS detection and surgeon experience. After the introduction of the teaching program, only tumor number, DM presence and surgeon experience influenced the RRFF-C. Conclusion: Our findings suggest the hypothesis that the teaching program might have an impact of quality of TURBT, but it failed to improve the RRFF-C.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 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 ».