Total robotic surgical volume influences outcomes of low-volume robotic-assisted partial nephrectomy over an extended duration
Notice bibliographique
Résumé
INTRODUCTION: The objective of this study was to examine the surgeon's experience of low-volume robotic-assisted partial nephrectomy (RAPN) over an extended duration, and whether a high-volume fellowship training influenced the outcomes. METHODS: Data on all RAPN at a tertiary center performed by a uro-oncologist were retrospectively collected. The surgeon experience was assessed by examining perioperative outcomes among three groups of consecutive patients (first=14, second=14, third=15 patients, respectively). RESULTS: Between February 2014 and February 2020, 45 RAPNs were performed out of a total of 200 robotic procedures. The median tumor size was 3 cm, and 28 (65%) patients had a R.E.N.A.L nephrometry score (RNS) ≥7. The median operative time and warm ischemia time (WIT) were 190 and 16 minutes, respectively. The median estimated blood loss (EBL) was 100 mL. Two (4%) patients had a positive surgical margin (PSM). Overall, five (12%) complications were recorded. All except one were minor (Clavien I-II). The median followup was 26.2 months. Trifecta and pentafecta were achieved in 40 (93%) and 27 (81.8%) patients, respectively. Increased surgeon experience was significantly associated with a shorter operative time and less EBL. Furthermore, there was an independent association between surgeon experience and operative time and EBL, and between RNS and operative time and WIT. CONCLUSIONS: With fellowship training and subsequent adequate total number of robotic procedures during practice, it is possible to perform RAPN with favorable perioperative outcomes in the setting of low-volume of cases over an extended duration.
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 | 0,001 | 0,004 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».