324 The Learning Curves of Major Laparoscopic and Robotic Procedures in Urology: A Systematic Review
Notice bibliographique
Résumé
Abstract Aim Urology has been at the forefront of adopting laparoscopic and robot-assisted techniques to improve patient outcomes. Defining the learning curves for these procedures enables assessment of trainee performances relative to expected progress and has important implications in research. This systematic review aimed to examine the literature relating to the learning curves of major urological robotic and laparoscopic procedures. Method In accordance with PRISMA guidelines, a systematic literature search strategy was employed across PubMed, EMBASE, and the Cochrane Library from inception to December 2021 for eligible studies alongside a search of the grey literature. Two independent reviewers completed the article screening and data extraction stages, using the Newcastle-Ottawa Scale (NOS) to then undertake quality assessment of the included articles. The review was reported in accordance with AMSTAR guidelines. Results Of 3702 records identified, 97 eligible studies were included for narrative synthesis. 39 studies evaluated robot-assisted laparoscopic prostatectomy (RALP) with the learning curve identified as 10-250 cases for operative time and 250-300 for potency. The shortest learning curve was reported for hand-assisted laparoscopic nephrectomy, involving 4-10 cases. There was considerable variation in the study designs, outcome measures and prior experience of surgeons, with all studies scoring either 5 or 6 on the NOS. Conclusions Standardised reporting of outcomes and performance measures is required to reduce heterogeneity and enable the undertaking of a meta-analysis. Future studies should use multiple surgeons and large sample sizes of cases to identify the currently undefined learning curves for laparoscopic radical cystectomy and for robotic and laparoscopic retroperitoneal lymph node dissection.
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 | 0,005 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,007 | 0,001 |
| Bibliométrie | 0,000 | 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 ».