The Effect of Institution Teaching Status on Perioperative Outcomes After Robotic Partial or Radical Nephrectomy
Notice bibliographique
Résumé
OBJECTIVES: To test rates over time of robotic partial and radical nephrectomy (RPN and RRN) at teaching vs nonteaching institutions and to examine associated complication rates and length of stay. MATERIALS AND METHODS: Within the National Inpatient Sample (2008-2013), after stratification according to institutional teaching status, we examined the rates of robotic, open, and laparoscopic PN and RN. Subsequently, we tested complication rates and length of stay associated with RPN or RRN according to institutional teaching status. We relied on estimated annual percentage change (EAPC) with the least squares linear regression to test temporal trends and on multivariable logistic regression (MLR) and Poisson regression models to test complication rates and length of stay. RESULTS: Overall, 4070 and 1683 RPN and RRN were identified. In MLR, RPN rates were lower at teaching vs nonteaching institutions (odds ratio [OR]: 0.79, p < 0.001). RPN increased at similar rates over time at teaching and nonteaching institutions (EAPC: +32.1% and +30.1%, all p < 0.05). In MLR, RRN rates were similar at teaching and nonteaching institutions (p: 0.4). RRN rate increase over time was of similar magnitude at teaching vs nonteaching institutions (EAPC: +35.5% and +43.0%, all p < 0.05). RPN at teaching institutions yielded higher genitourinary complication rates (OR: 1.46, p: 0.01). RRN at teaching institutions resulted in lower respiratory complications (OR: 0.66, p: 0.04) and shorter length of stay (rate ratio [RR]: 0.93, p: 0.01), but higher intraoperative complication rates (OR: 3.39, p: 0.04). CONCLUSION: Despite statistically significant differences in rates of RPN use, according to the institutional teaching status and despite statistically significant difference in selected complications, no meaningful differences distinguish teaching vs nonteaching institution when RPN and RRN are considered.
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 | 0,002 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».