Impact of Surgical Learning Curve in Descemet Membrane Endothelial Keratoplasty on Visual Acuity Gain
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
PURPOSE: To evaluate the learning curve for graft preparation and graft unrolling during Descemet membrane endothelial keratoplasty (DMEK) and to assess the evolution of visual acuity gain and percentage cell loss with experience. METHODS: The first 109 DMEK procedures performed by a single surgeon (A.S.) at the Rothschild Foundation Ophthalmology Hospital in Paris, France, between March 2012 and November 2014 were included. Best-corrected visual acuity and endothelial cell density were recorded preoperatively and again 1 week, 1 month, 3 months, and 6 months after DMEK. Donor age and ECC were registered. Graft preparation time and graft unrolling time were assessed using video recording. Incidence and types of complications were noted. RESULTS: The number of cases necessary to reach 90% of the plateau of the learning curve was 68 for preparation time and 46 for unrolling time in this model. There was no correlation between the best-corrected visual acuity gain at 6 months postsurgery and the learning curve. The percentage cell loss was found to be significantly lower with experience (R = 0.17, P = 0.0011). CONCLUSIONS: Surgical experience allowed faster graft preparation and faster unrolling time in DMEK. Neither experience nor percentage cell loss influenced postoperative visual acuity gain. The number of procedures needed to reach a good standard of care was estimated to be 50 in our patient database.
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 | 0,001 |
| 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) | 0,001 | 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