Suggested robotic-assisted thoracic surgery training curriculum
Notice bibliographique
Résumé
Robotic-assisted surgery, a technological advancement in the field of surgery, has become increasingly popular among surgeons of many specialties over time. Robotic-assisted thoracic surgery (RATS) is comparable to video-assisted thoracic surgery (VATS) in terms of patient care outcomes; however, the perception of increased operative time and a lack of cost-effectiveness have led to controversy regarding its alleged benefits. Nevertheless, robotic surgery is one of the preferred options for minimally invasive surgery by some thoracic surgeon over VATS, due to its ability to provide 3-D vision, precise wrist movements, enhanced magnification, and instrument stability and articulation. Notably, trainees in the field of thoracic surgery experience difficulty gaining knowledge and learning skills associated with RATS due to its complexity, limited access to robotic instruments, the lack of a standardized curriculum for trainees, and lack of mentorship or proctorship, thus leading to a steeper learning curve compared to laparoscopic or VATS procedures that are cost-friendly, easy to learn, and feasible to practice. Nevertheless, focusing on RATS training for thoracic surgeons will keep them familiar with robotic techniques, including the pre-operative setup and intra-operative process, which will ultimately decrease operative times. In this paper, we will review the literature, express and discuss the most viable training curriculum from authors' point of view to help achieve this goal.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».