THTP3.4 Performances measures in Robotic-Assisted Surgery- A Systematic Review
Notice bibliographique
Résumé
Abstract Background Robotic-Assisted Surgery (RAS) has seen a global rise in the past 30 years. Despite the increased adoption, there is no current standardised training curricula or measure of performance. The aim of this systematic review was to define the RAS metrics used to assess technical performance across the surgical specialities. Methods Using the PRISMA 2020 guidelines, Pubmed, Embase and the Cochrane Library were searched systematically for full texts published 31st January 2020 – 31st January 2022. All randomised controlled trials (RCTs) and observational studies were considered. Review articles and systematic reviews were excluded. The papers’ quality and bias score were assessed using the Newcastle Ottawa Score for the observational studies and Cochrane Risk Tool for the RCTs. Results The initial search yielded 1189 papers of which 74 were eligible. The majority were published in urology (45% n=33). 27 unique metrics were identified and categorised as “task based”, “procedural based”, “cognitive assessments” and “global assessments”. Global assessments were the most common category of assessment (n=12); the most frequently used was GEARs (Global Evaluative Assessment of Robotic Skills). Only 4 metrics (automated, Proficiency Based Progression (PBP), pupillary measures and time to completion) used quantitative measures to assess performance whilst the remaining relied upon Likert scales thereby creating variability amongst users. Conclusion There is wide variation in tools used to assess performance in RAS. The majority of tools are subjective which increases the risk of bias amongst users and therefore accuracy in the measure of performance. A validated, objective global assessment tool that utilises quantitative measures is required.
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 | 0,008 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,010 | 0,003 |
| Bibliométrie | 0,001 | 0,002 |
| 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 ».