Competence in and Learning Curve for Pediatric Renal Transplant Using Cumulative Sum Analyses
Notice bibliographique
Résumé
PURPOSE: We assessed achievement of competence in pediatric renal transplant by developing a learning curve model for consecutive operations performed by a single surgeon. MATERIALS AND METHODS: We retrospectively evaluated pediatric renal transplant cases performed by an index pediatric urologist during his first 15 years of being the primary transplant surgeon at our institution. Case characteristics, operative time and surgical complications within 30 days postoperatively were assessed and compared to those of a reference senior surgeon. To generate a learning curve plot, we performed a cumulative sum analysis to evaluate the evolution of operative times and surgical complications. RESULTS: During 15 years 55 pediatric renal transplants (17%) were performed by the index surgeon and 78 (24%) by the senior surgeon. Total operative time was shorter for the index surgeon (226 vs 252 minutes, p = 0.006), while ischemia time was longer (40 vs 30 minutes, p = 0.001). The 30-day surgical complication rates were similar (32.7% and 35.9%, p = 0.853). The learning curve showed that the complication rates and operative times did not increase following the 17th case. Ureteroureterostomy has been more commonly performed for ureteral anastomosis (p = 0.048) and longer warm ischemia time has been noted after reaching the peak of the learning curve (p = 0.003). CONCLUSIONS: We determined that technical skills for pediatric renal transplant can be achieved after the 17th case. We propose that a dedicated team with a pediatric urologist who has an interest in performing pediatric renal transplant secure more cases than the case volume determined in our study within the first few years of practice to maintain proficiency.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».