Comment on the CUSUM surgical learning curve analysis in Dimitrovska <i>et al.</i> (2022)
Notice bibliographique
Résumé
The cumulative sum (CUSUM) analysis included in the recent paper by Dimitrovska et al. [1] illustrates the major pitfall of using this popular approach to reach conclusions about the surgical learning process. Below we refer to the time series plot of operation times (Figure 1 [1]) and the corresponding CUSUM plot (Figure 2 [1]) from their paper [1]. Time series plot of operating times. (From: Dimitrovska NT, Bao F, Yuan P, Hu S, Chu X, Li W. Learning curve for two-port video-assisted thoracoscopic surgery lung segmentectomy. Interact CardioVasc Thorac Surg 2021; Figure 3[1]). The CUSUM plot of the sum of the successive differences of the operating times from their average (Figure 2 [1]) was broken into 3 phases, i.e. the initial learning, the increased competence and the experienced phases. As pointed out by Woodall et al. [2], however, this type of plot is subject to over-interpretation. It has neither a conceptual nor a mathematical justification. Cumulative Sum (CUSUM) plot of the successive differences of operating times from their average. (From: Dimitrovska NT, Bao F, Yuan P, Hu S, Chu X, Li W. Learning curve for two-port video-assisted thoracoscopic surgery lung segmentectomy. Interact CardioVasc Thorac Surg 2021; Figure 4[1]). One can see from the time series plot in Figure 1 [1] that the average operation times are decreasing roughly linearly over time. By definition, any decreasing pattern in operation times will result in a parabolic-type pattern [2] such as that in Figure 2 [1]. As a result, the classification and interpretation of the 3 phases given in Dimitrovska et al. [1] are not justified. In addition, it should be noted that adding any constant to the operation times, such as an additional 30 min, would have absolutely no effect on the CUSUM plot in Figure 2 [1]. We believe that a far better approach would be to fit a statistical model to the raw operation time data and interpret that model. In this particular case, it seems that a simple linear regression model would fit the data fairly well. It is not clear from Figure 1 [1] whether further decreases in operation time could occur for future cases or if stability in operation times has been reached. Conflict of interest: George Rakovich receives speaker fees from Medtronic® and a research grant from Baxter®. The manuscript has not previously been published in print or electronic form and is not under consideration by another publication.
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 | 0,009 | 0,049 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,007 | 0,003 |
| Science ouverte | 0,005 | 0,002 |
| Intégrité de la recherche | 0,039 | 0,035 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,017 |
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 ».