Learning Curves in Pediatric Robot-Assisted Pyeloplasty: A Systematic Review
Notice bibliographique
Résumé
Background: Robot-assisted surgery demands a specific skillset of surgical knowledge, skills, and attitudes from the robotic surgeon to function as part of the robotic team and for maximal utility of the assistive surgical robot. Subsequently, the learning process of robot-assisted surgery entails new modes of learning. We sought to systematically summarize the published data on pediatric robot-assisted pyeloplasty (pRALP) to decipher the learning process by analyzing learning curves. Methods: This review followed the PRISMA guidelines. PubMed, EMBASE, Web of Science, and Scopus databases were systematically searched for ‘learning curve’ AND ‘pediatric pyeloplasty’. All studies presenting outcomes of learning curves (LC) in the context of pRALP in patients < 18 years of age were included. Studies comparing LC in pRALP versus open and/or laparoscopic pyeloplasty were also included; however, those solely focusing on LC in non-robotic approaches were excluded. The methodological quality was assessed using the Newcastle and Ottawa scale. Results: Competency was non-uniformly defined in all fifteen studies addressing learning curves in pRALP. pRALP was considered safe at all stages. Proficiency in pRALP was reached after 18 cases, while competency was estimated to demand 31 operated cases with operative duration as outcome variable. Conclusions: Pediatric RALP is safe during the learning process and ‘learning by doing’ improves efficiency. Competencies with broader implications than time must be defined for future studies.
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 | 0,017 | 0,077 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,017 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,001 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».