Learning curve predictors for minimally invasive mitral valve surgery; how far should the rabbit hole go?
Notice bibliographique
Résumé
OBJECTIVE: To analyze predictors that influence the learning curve of minimally invasive mitral valve surgery (MIMVS). METHODS: Patients who underwent MIMVS between March 2010 to March 2015 were retrospectively analyzed. Predictive factors that influence the learning curve were analyzed. RESULTS: One hundred and five patients were included in the analysis. Cardiopulmonary bypass (CPB) time in minutes was 158.72 ± 40.98 and the aortic cross-clamp (ACC) time in minutes was 114.48 ± 27.29. There were three operative mortalities, one stroke and five >2+ mitral regurgitation. ACC time in minutes was higher in the low logistic Euroscore II (LES) group (LES < 5% = 118.42 ± 27.94) versus (LES ≥ 5 = 88.66 ± 22.26), P < .05 while creatinine clearance in μmol/L was higher in the LES < 5% group (LES < 5% = 84.32 ± 33.7) versus (LES ≥ 5% = 41.66 ± 17.14), (P < .05). One patient from each group required chest tube insertion for pleural effusion P < .05. The cumulative sum analysis (CUSUM) for the first 25 patients had CPB and ACC times that reached the upper limits. Between 25 to 64 patients the curve remained stable while with the introduction of reoperations and complex surgical procedures the CUSUM reached the upper limits. CONCLUSIONS: The learning curve is affected by many factors but this should not desist surgeons from approaching this technique. The introduction of high-risk patients in clinical practice should be carefully measured based on surgeon experience.
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 | 0,004 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,009 |
| 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 ».