Partial Nephrectomy A Comparison between Different Modalities
Notice bibliographique
Résumé
Kidney cancer, with 4% of all malignancies, is one of the most common malignancies occurring among in adults. In Saudi Arabia, kidney cancer comprises 2.3% of all cancers, and its incidence has increased by 33%. Partial nephrectomy (PN) is considered as the gold standard for T1 renal masses.In this retrospective study, we did a chart review for all patients who underwent PNs between April 2013 and February 2019. Data comprised pre-sentation, tumor size, type of procedure (open vs. laparoscopic vs. robotic), and intra- and post-operative complications. Chi-square, ANOVA, and cross-tabulation were done using SPSS software. P > 0.05 was considered significant. Approval was obtained from the institutional review board of King Abdullah International Medical Research Center.In all, 69 patients were identified: 26 (37.7%) males and 43 (62.3%) females, with mean age = 54.53 ± 13.21 years; mean body mass index = 32.36 ± 7.03, and mean tumor size = 3.7 ± 1.72 cm. In terms of presentation, most patients (50, 72.4%) presented incidentally as opposed to symptomatic presentation. Of these patients, 18 (26.1%) underwent open partial nephrectomy (OPN), 29 (42%) laparoscopic partial nephrec-tomy (LPN), and 22 (31.9%) robotic partial nephrectomy (RPN). On comparing minimally invasive surgery (MIS) PN with OPN, we found that OPN had more blood loss and a longer hospital stay but a shorter operating room (OR) time.Results of PN irrespective of the procedure type, whether it was OPN, LPN, or RPN, were similar if performed by experienced surgeons. However, open procedures involved a higher blood loss, more operative time, and longer hospital stay when compared with minimally invasive techniques.
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 | 0,000 |
| 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 | 0,000 |
| 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 ».