Error reporting from the da Vinci surgical system in robotic surgery: A Canadian multispecialty experience at a single academic centre
Notice bibliographique
Résumé
INTRODUCTION: The goal of the study is to evaluate and report on the third-generation da Vinci surgical (Si) system malfunctions. METHODS: A total of 1228 robotic surgeries were performed between January 2012 and December 2015 at our academic centre. All cases were performed by using a single, dual console, four-arm, da Vinci Si robot system. The three specialties included urology, gynecology, and thoracic surgery. Studied outcomes included the robotic surgical error types, immediate consequences, and operative side effects. Error rate trend with time was also examined. RESULTS: Overall robotic malfunctions were documented on the da Vinci Si systems event log in 4.97% (61/1228) of the cases. The most common error was related to pressure sensors in the robotic arms indicating out of limit output. This recoverable fault was noted in 2.04% (25/1228) of cases. Other errors included unrecoverable electronic communication-related in 1.06% (13/1228) of cases, failed encoder error in 0.57% (7/1228), illuminator-related in 0.33% (4/1228), faulty switch in 0.24% (3/1228), battery-related failures in 0.24% (3/1228), and software/hardware error in 0.08% (1/1228) of cases. Surgical delay was reported only in one patient. No conversion to either open or laparoscopic occurred secondary to robotic malfunctions. In 2015, the incidence of robotic error rose to 1.71% (21/1228) from 0.81% (10/1228) in 2014. CONCLUSIONS: Robotic malfunction is not infrequent in the current era of robotic surgery in various surgical subspecialties, but rarely consequential. Their seldom occurrence does not seem to affect patient safety or surgical outcome.
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 | 0,002 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».