The Learning Curve for Radical Nephrectomy for Kidney Cancer: Implications for Surgical Training
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Although radical nephrectomy (RN) is the most common treatment for kidney cancer, no data on the learning curve for RN are available. In this study we investigated the effect of surgical experience (EXP) on RN outcomes using data for 1184 patients treated with RN for a cT1–3a cN0 cM0 renal mass. EXP was defined as the total number of RNs performed by each surgeon before the patient’s operation. The primary study outcomes were all-cause mortality, clinical progression, Clavien-Dindo grade ≥2 postoperative complications (CD ≥2), and the estimated glomerular filtration rate (eGFR). Secondary outcomes were operative time, estimated blood loss, and length of stay. Multivariable analyses adjusted for case mix revealed no evidence of association between EXP and all-cause mortality (p = 0.7), clinical progression (p = 0.2), CD ≥2 (p = 0.6), or 12-mo eGFR (p = 0.9). Conversely, EXP was associated with shorter operative time (estimate −0.9; p < 0.01). Mortality, cancer control, morbidity, and renal function might not be affected by EXP. The very large cohort examined and the extensive follow-up support the validity of these negative findings. For patients with kidney cancer undergoing surgical removal of a kidney, those treated by novice surgeons have similar clinical outcomes to those treated by experienced surgeons. Thus, this procedure represents a convenient scenario for surgical training if longer operating theatre time can be planned.
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.
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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle