Incidence and analysis of intraoperative complications in femtosecond laser-assisted cataract surgery: a large-scale cohort study to establish the learning curve
Notice bibliographique
Résumé
AIMS: To assess the safety of femtosecond laser-assisted cataract surgery (FLACS) based on surgical parameters and intraoperative complications analysis and to determine the length of the learning curve for FLACS. METHODS: A prospective consecutive cohort study was conducted on Chinese patients who underwent either FLACS (3289 cases) or contemporaneous conventional phacoemulsification cataract surgery (2130 cases). The laser group was divided into four subgroups in chronological order. We recorded intraoperative complication incidences and compared with surgical parameters between groups. Subgroup analysis was conducted to explore the learning curve of FLACS. RESULTS: The laser group had a 4.93% incidence of incomplete capsulotomies and a 1.22% incidence of anterior capsule tears. Subgroup analysis showed significant differences in 8 aspects between the first 250 cases (50 cases per surgeon) and the last 2539 cases, but only 2 aspects differed between the second 250 cases (50 cases per surgeon) and the last 2539 cases. There were no significant differences between the third 250 cases (50 cases per surgeon) and the last 2539 cases. CONCLUSIONS: The intraoperative complications of FLACS were reported, and the learning curve is associated with a significant reduction in the incidence of intraoperative complications. The length of the basic learning curve of FLACS is 100 cases, and the length of the advanced learning curve was 150 cases. This study demonstrated that FLACS is characterised by a relatively straightforward and secure operative technique.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 ».