The learning curve for pure retroperitoneoscopic donor nephrectomy by using cumulative sum analysis
Notice bibliographique
Résumé
INTRODUCTION: This study aimed to identify a precise learning curve for pure retroperitoneoscopic donor nephrectomy (RDN). METHODS: Data from 172 consecutive kidney donors who underwent pure RDN between January 2010 and July 2019 were prospectively collected and evaluated. Cumulative sum (CUSUM) analysis was used for testing the operation time. Changepoints were determined by using the r program and BINSEG method. The cohort was divided into three groups - group 1: competence, including the first 10 cases; group 2: 11-48 cases as proficiency; and group 3: the subsequent 124 cases as expert level. Continuous variables were evaluated using one-way ANOVA, and categorical data were evaluated using the Chi-squared test. RESULTS: Right RDN was performed in 39 (22.7%) donors. The eighth patient was converted to open surgery due to vena cava injury and excluded from the CUSUM analysis. Depending on experience in pure RDN, a significant decrease was detected in operative time (p<0.001), warm ischemia time (p=0.006), and blood loss (p<0.001). Recipient complications and graft function were found to be statistically comparable. CONCLUSIONS: In our study, the attainment of expertise in pure RDN was observed after performing 50 cases. The transperitoneal technique, which is a feasible alternative, is far more widely used than pure RDN. We believe that understanding the learning curve associated with pure RDN could facilitate the adoption of this approach as a viable alternative to the transperitoneal approach.
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 | 0,005 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».