New Generation of 3D Virtual Models with Perfusional Zones: Perioperative Assistance for the Best Pedicle Management during Robotic Partial Nephrectomy
Notice bibliographique
Résumé
Selective clamping during robot-assisted partial nephrectomy (RAPN) may reduce ischemia-related functional impairment. The intraoperative use of 3D-virtual models (3DVMs) can improve surgical planning, resulting in a greater success rate for selective clamping. Our goal is to introduce a new generation of 3DVMs, which consider the perfusion volumes of the kidney. Patients listed for RAPN from 2021 to 2022 were recruited. A selective clamping strategy was designed and intraoperatively performed based on the specifically generated 3DVMs. The effectiveness of selective clamping was evaluated using near-infrared-fluorescence imaging (NIRF) and 3DVM. Perfusion areas extensions were compared, and relevant preoperative characteristics were analyzed. In 61 of 80 (76.25%) cases, selective clamping was performed. The concordance between the 3DVM areas and the NIRF-enhanced areas was verified (k = 0.91). According to the distribution of perfused areas crossing the tumor, there were one, two, three, four, and five crossing areas, with relative perfusion rates of 13.75%, 35%, 32.5%, 13.75%, and 5%, respectively. Lesion diameter and mesorenal location were the only factors related to a higher number (>3) of perfusion volumes crossing the lesion. The implementation of mathematical algorithms to 3DVMs allows for precise estimation of the perfusion zone of each arterial branch feeding the organ, leading to the performance of safe and effective pedicle management planning.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 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 ».