Impact of Simulation Exercises on Total Laparoscopic Hysterectomy Surgical Outcomes: A Systematic Review and Meta-Analysis.
Notice bibliographique
Résumé
BACKGROUND: As resources into gynecological surgical simulation training increase, research showing an association with improved clinical outcomes is needed. OBJECTIVE: To evaluate the association between surgical simulation training for total laparoscopic hysterectomy (TLH) and rates of intraoperative vascular/visceral injury (primary outcome) and operative time. SEARCH STRATEGY: We searched Medline OVID, Embase, Web of Science, Cochrane, and CINAHL databases from the inception of each database to April 5, 2022. Selection Critera: Randomized controlled trials (RCTs) or cohort studies of any size published in English prior to April 4, 2022. DATA COLLECTION AND ANALYSIS: The summary measures were reported as relative risks (RR) or as mean differences (MD) with 95% confidence intervals using the random effects model of DerSimonian and Laird. A Higgins I2 >0% was used to identify heterogeneity. We assessed risk of bias using the Cochrane Risk of Bias tool 2.0 (for RCTs) and the Newcastle Ottawa Scale (for cohort studies). MAIN RESULTS: The primary outcome of this systematic review and meta-analysis was to evaluate the impact of simulation training on the rates of vessel/visceral injury in patients undergoing TLH. Of 989 studies screened 3 (2 cohort studies, 1 randomized controlled trial) met the eligibility criteria for analysis. There was no difference in vessel/visceral injury (OR 1.73, 95% CI 0.53-5.69, p=0.36) and operative time (MD 13.28, 95% CI -6.26 to 32.82, p=0.18) when comparing before and after simulation training. CONCLUSION: There is limited evidence that simulation improves clinical outcomes for patients undergoing TLH.
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 | 0,012 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,015 | 0,030 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».