Proper training in laparoscopic hernia repair is necessary to minimize the rising recurrence rate in Japan
Notice bibliographique
Résumé
INTRODUCTION: The Japan Society for Endoscopic Surgery reported that the recurrence rate for inguinal hernia repair in Japan was less than 1% in 2010. However, its 2012 survey found that the recurrence rate had increased to 4% for the transabdominal preperitoneal procedure and 5% for the totally extraperitoneal procedure. We held 14 hernia repair training courses from 2011 to 2016 with help from Covidien. This study aimed to determine the effect of this training on the recurrence rate. METHODS: Training was composed of a theoretical revision of inguinal anatomy, dry laboratory suturing, a video lecture, and practice on an animal model. We made inquiries about the length of each surgeon's career, post-training changes in surgical methods, and recurrence rates before and after training. RESULTS: We received responses from 159 of 300 trainees (53%). The mean career length was 12.7 ± 8.2 years. The annual number of transabdominal preperitoneal procedures performed increased from 20.9 ± 29.9 to 32.4 ± 56.1 after training (P < 0.001), and the number of totally extraperitoneal procedures increased from 9.5 ± 13.9 to 13.9 ± 16.9 (P = 0.0218). The annual number of procedures performed via the anterior approach decreased from 153.1 ± 28.4 to 28.4 ± 52.2 after training (P < 0.001). The pre-training transabdominal preperitoneal procedure recurrence rate was 0.9%, and this decreased to 0.4% after training. There was no pre-training recurrence rate for the totally extraperitoneal procedure, but this was 0.4% after training. CONCLUSION: The high recurrence rate after inguinal hernia repair in Japan was mainly due to inadequate training in the laparoscopic method. Our laparoscopic hernia repair training course achieved low recurrence rates.
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 | 0,003 |
| 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 | 0,000 | 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) | 0,000 | 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 ».