Analyzing the influence of expanding multispecialty adoption of robotic surgery on robotic urologic care
Notice bibliographique
Résumé
INTRODUCTION: Most robot-assisted surgery (RAS) systems in Canada are donor-funded, with constraints on implementation and access due to significant costs, among other factors. Herein, we evaluated the impact of the growing multispecialty use of RAS on urologic RAS access and outcomes in the past decade. METHODS: We conducted a retrospective review of all RAS performed by different surgical specialties in two high-volume academic hospitals between 2010 and 2019 (prior to the COVID pandemic). The assessed outcomes included the effect of increased robot access over the years on annual robotic-assisted radical prostatectomy (RARP) volumes, surgical waiting times (SWT), and pathologically positive surgical margins (PSM). Data were collected and analyzed from the robotic system and hospital databases. RESULTS: In total, six specialties (urology, gynecology, general, cardiac, thoracic, and otorhinolaryngologic surgery) were included over the study period. RAS access by specialty doubled since 2010 (from three to six). The number of active robotic surgeons tripled from seven surgeons in 2010 to 20 surgeons in 2019. Moreover, there was a significant drop in average case volume, from a peak of 40 cases in 2014 to 25 cases in 2019 (p=0.02). RARP annual case volume followed a similar pattern, reaching a maximum of 166 cases in 2014, then declining to 137 cases in 2019. The mean SWT was substantially increased from 52 days in 2014 to 73 days in 2019; however, PSM rates were not affected by the reduction in surgical volumes (p<0.05). CONCLUSIONS: Over the last decade, RAS access by specialty has increased at two Canadian academic centers due to growing multispecialty use. As there was a fixed, single-robotic system at each of the hospital centers, there was a substantial reduction in the number of RAS performed per surgeon over time, as well as a gradual increase in the SWT. The current low number of available robots and unsustainable funding resources may hinder universal patient access to RAS.
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 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».