411 LEARNING CURVES IN MINIMALLY INVASIVE ESOPHAGECTOMY: A SYSTEMATIC REVIEW
Notice bibliographique
Résumé
Abstract Minimally invasive techniques are being increasingly used in the treatment of esophageal cancer. The learning curve for minimally invasive esophagectomy (MIE) is variable and can have an impact upon training delivered within residency and fellowship programmes. The aims of this review are to critically appraise current literature on the learning curve for MIE, identify what parameter(s) is used to quantify achieving competence and determine if there is evidence of resultant impact on surgical training. Methods A search of the major reference databases (MEDLINE, EMBASE, Cochrane) was performed with no time limits up to the date of the search (February 2020). Results were screened in line with the Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) guidelines, and study quality assessed using the Newcastle-Ottawa Scale for cohort studies. Results Twenty-one studies comprising 2720 patients were included- 17 studies reported on a combination of thoracoscopic, hybrid and total MIE, 3 studies reported robotic assisted alone and 1 study evaluated robotic assisted and thoracoscopic esophagectomy. 3 studies used a cumulative sum (CUSUM) analysis to define learning, 1 study used CUSUM and another parameter and 17 studies used one or more parameters. Quantification of surgical competence was variable and ranged from 12–80 cases for robotic surgery and 12–60 cases for other modes of MIE. One study reported trainees achieving MIE skills quicker if mentoring surgeons had attained proficiency on the learning curve. Conclusion Learning curves in MIE remain ill-defined with limited evidence on impact upon training received by residents and fellows. Additionally, the parameters used to define achievement of surgical competency is heterogenous. As minimally invasive techniques are increasingly adopted, specific standards to help define competence need to be identified and agreed on. This could help in designing training programmes and improve the rate of achieving competency.
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 | 0,015 | 0,064 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,009 | 0,012 |
| Bibliométrie | 0,011 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».