Learning Curves in Urolithiasis Surgery: A Systematic Review
Notice bibliographique
Résumé
BACKGROUND AND AIMS: Procedures for urolithiasis are a core part of the development for the urologist in training. Understanding the learning curve of the procedures is important, allowing for planning in the training and assessment of trainees. The aim of this study was to systematically review the literature pertaining to learning curves in urolithiasis surgery. MATERIALS AND METHODS: The review was registered on the PROSPERO database and conducted in keeping with the Preferred Reporting Items for Systematic reviews and Meta-Analysis statement. Embase, MEDLINE, and PsycINFO were systematically searched from inception to January 2018, with a reference review conducted. All empirical studies on learning curves in urolithiasis surgery were included irrespective of procedure. Articles describing pediatric surgery, nontechnical skills in surgery, or those not written in English were excluded. RESULTS: Of 390 articles identified from screening, a final 18 studies were included. Fourteen studies identified the learning curve in percutaneous nephrolithotomy. These studies identified a learning curve of between 30 and 60 cases for both operative time (OT) and complication rates. Four articles focused on flexible ureteroscopy (FURS); the learning curve for FURS has been outlined as 60 cases for OT and 56 cases for fragmentation efficacy. CONCLUSIONS: The complexities of determining learning curves are extensive; studies use different parameters to measure outcomes and observe skill acquisition rates of surgeons with differing prior experience. Evidence in this article can guide trainee urologists with regard to the expected rate of progress. Multi-operator multicenter research utilizing standard outcome measures should be conducted to establish definitive learning curves.
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 | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,010 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».