Positive surgical margin rates during the robot-assisted laparoscopic radical prostatectomy learning curve of an experienced laparoscopic surgeon
Notice bibliographique
Résumé
INTRODUCTION: Since its introduction, robot-assisted laparoscopic radical prostatectomy (RARP) has gained widespread popularity, but is associated with a variable learning curve. Herein, we report the positive surgical margin (PSM) rates during the RARP learning curve of a single surgeon with significant previous laparoscopic radical prostatectomy (LRP) experience. METHODS: We performed a prospective cohort study of the first 400 men with prostate cancer treated with RARP by a single surgeon (BS) with significant LRP experience. Our primary outcome was the impact of case timing in the learning curve on margin status. Our analysis was conducted by dividing the case numbers into quartiles (Q1-Q4) and determining if a case falling into an earlier quartile had an impact on margin status relative to the most recent quartile (Q4). RESULTS: The Q1 cases had an odds ratio for margin positivity of 1.74 compared to Q4 (p=0.1). Multivariate logistic regression did not demonstrate case number to be a significant predictor of PSM. The mean Q1 operative time was 207.4 minutes, decreasing to 179.2 by Q4 (p<0.0001). The mean Q1 estimated blood loss was 255.1 ml, decreasing to 213.6 by Q4 (p=0.0064). There was no change in length of hospitalization within the study period. CONCLUSIONS: Even when controlling for copredictors, a statistically significant learning curve for PSM rate of a surgeon with significant previous LRP experience was not detected during the first 400 RARP cases. We hypothesize that previous LRP experience may reduce the RARP PSM 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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,008 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».