Robotic versus laparoscopic left colectomy: a systematic review and meta-analysis
Notice bibliographique
Résumé
BACKGROUND: This study aimed to review the new evidence to understand whether the robotic approach could find some clear indication also in left colectomy. METHODS: A systematic review of studies published from 2004 to 2022 in the Web of Science, PubMed, and Scopus databases and comparing laparoscopic (LLC) and robotic left colectomy (RLC) was performed. All comparative studies evaluating robotic left colectomy (RLC) versus laparoscopic (LLC) left colectomy with at least 20 patients in the robotic arm were included. Abstract, editorials, and reviews were excluded. The Newcastle-Ottawa Scale for cohort studies was used to assess the methodological quality. The random-effect model was used to calculate pooled effect estimates. RESULTS: Among the 139 articles identified, 11 were eligible, with a total of 52,589 patients (RLC, n = 13,506 versus LLC, n = 39,083). The rate of conversion to open surgery was lower for robotic procedures (RR 0.5, 0.5-0.6; p < 0.001). Operative time was longer for the robotic procedures in the pooled analysis (WMD 39.1, 17.3-60.9, p = 0.002). Overall complications (RR 0.9, 0.8-0.9, p < 0.001), anastomotic leaks (RR 0.7, 0.7-0.8; p < 0.001), and superficial wound infection (RR 3.1, 2.8-3.4; p < 0.001) were less common after RLC. There were no significant differences in mortality (RR 1.1; 0.8-1.6, p = 0.124). There were no differences between RLC and LLC with regards to postoperative variables in the subgroup analysis on malignancies. CONCLUSIONS: Robotic left colectomy requires less conversion to open surgery than the standard laparoscopic approach. Postoperative morbidity rates seemed to be lower during RLC, but this was not confirmed in the procedures performed for malignancies.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,008 | 0,006 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».