401 consecutive minimally invasive distal pancreatectomies: lessons learned from 20 years of experience
Notice bibliographique
Résumé
BACKGROUND: This study aimed to discuss and report the trend, outcomes, and learning curve effect after minimally invasive distal pancreatectomy (MIDP) at two high-volume centres. METHODS: Patients undergoing MIDP between January 1999 and December 2018 were retrospectively identified from prospectively maintained electronic databases. The entire cohort was divided into two groups constituting the "early" and "recent" phases. The learning curve effect was analyzed for laparoscopic (LDP) and robotic distal pancreatectomy (RDP). The follow-up was at least 2 years. RESULTS: The study population included 401 consecutive patients (LDP n = 300, RDP n = 101). Twelve surgeons performed MIDP during the study period. Although patients were more carefully selected in the early phase, in terms of median age (49 vs. 55 years, p = 0.026), ASA class higher than 2 (3% vs. 9%, p = 0.018), previous abdominal surgery (10% vs. 34%, p < 0.001), and pancreatic adenocarcinoma (PDAC) (7% vs. 15%, p = 0.017), the recent phase had similar perioperative outcomes. The increase of experience in LDP was inversely associated with the operative time (240 vs 210 min, p < 0.001), morbidity rate (56.5% vs. 40.1%, p = 0.005), intra-abdominal collection (28.3% vs. 17.3%, p = 0.023), and length of stay (8 vs. 7 days, p = 0.009). Median survival in the PDAC subgroup was 53 months. CONCLUSION: In the setting of high-volume centres, the surgical training of MIDP is associated with acceptable rates of morbidity. The learning curve can be largely achieved by several team members, improving outcomes over time. Whenever possible resection of PDAC guarantees adequate oncological results and survival.
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 | 0,001 |
| 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) | 0,006 | 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 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 ».