Learning curve of laparoscopic nephrectomy: a prospective pilot study
Notice bibliographique
Résumé
Abstract Background Learning curve of laparoscopic nephrectomy (LN) is mainly affected by two main factors: plotting performance and experience. However, there is paucity in the literature addressing the number of cases required to adopt LN. Herein, we aimed to assess the learning curve of LN for various renal disorders and number of cases required to adopt the technique. Between September 2015 and December 2017, consecutive patients undergoing LN for various renal diseases were enrolled in this study. Patients were divided into two groups, the first 20 cases (group A) and subsequent 20 cases (group B). All procedures were performed by a single trainee urologist under supervision of an expert endourologist. Learning curve was assessed using operative time and incidence of complications. Results A total of 40 patients were included in this pilot clinical study. Mean age was 38.2 ± 16.3 years. The mean operative time for patients in group B was significantly lower than the mean operative time for patients in group A (108.5 vs. 139.3 min, p < 0.05). However, there were no significant differences between both groups in terms of intraoperative blood loss (86 vs. 104 ml; p = 0.081), conversion to open surgery (5% vs. 10%; p = 0.256) and postoperative complications (5% vs. 15%; p = 0.09) for group B and group A, respectively. Similarly, there was no significant difference between both groups in terms of hospital stay (42 ± 8 vs. 46 ± 11 h p = 0.01). The trainee surgeon reached a plateau after 22 cases. Conclusions Our study suggests that a minimum of 22 LN procedures are needed in order to adopt the technique of laparoscopic nephrectomy. Learning curve of LN is mainly affected by number of performed procedures within a short period of time.
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 | 0,000 | 0,001 |
| 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 ».