Learning Curve Analysis of Different Stages of Robotic-Assisted Laparoscopic Hysterectomy
Notice bibliographique
Résumé
Objective . To analyze the learning curves of the different stages of robotic-assisted laparoscopic hysterectomy. Design . Retrospective analysis. Design Classification . Canadian Task Force classification II-2. Setting . Kaohsiung Medical University Hospital, Kaohsiung, Taiwan. Patient Intervention . Women receiving robotic-assisted total and subtotal laparoscopic hysterectomies for benign conditions from May 1, 2013, to August 31, 2015. Measurements and Main Results . The mean age, body mass index (BMI), and uterine weight were <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M1"><mml:mn fontstyle="italic">46.44</mml:mn><mml:mo>±</mml:mo><mml:mn fontstyle="italic">5.31</mml:mn></mml:math> years, <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M2"><mml:mn fontstyle="italic">23.97</mml:mn><mml:mo>±</mml:mo><mml:mn fontstyle="italic">4.75</mml:mn></mml:math> kg/m 2 , and <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M3"><mml:mn fontstyle="italic">435.48</mml:mn><mml:mo>±</mml:mo><mml:mn fontstyle="italic">250.62</mml:mn></mml:math> g, respectively. The most rapid learning curve was obtained for the main surgery console stage; eight experiences were required to achieve duration stability, and the time spent in this stage did not violate the control rules. The docking stage required 14 experiences to achieve duration stability, and the suture stage was the most difficult to master, requiring 26 experiences. BMI did not considerably affect the duration of the three stages. The uterine weight and the presence of adhesion did not substantially affect the main surgery console time. Conclusion . Different stages of robotic-assisted laparoscopic hysterectomy have different learning curves. The main surgery console stage has the most rapid learning curve, whereas the suture stage has the slowest learning curve.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 ».