Fetoscopic Robotic Open Spina bifida Treatment (FROST): feasibility and learning curve study in a preclinical representative training model
Notice bibliographique
Résumé
Objective: The primary aim was to assess the feasibility of robotic OSB repair in a preclinical high-fidelity training model, documenting the learning curve and ensuring quality control among surgeons. Design: The learning curve was assessed using the cumulative summation test (LC-CUSUM). Following LC-CUSUM, six additional experiments were performed for competency-cumulative summation (C-CUSUM) analysis to ensure ongoing quality control. Setting : The simulator was created through 3D printing and hand sculpting, simulating a partially exteriorized uterus for laparotomy-assisted laparoscopic OSB surgery. It included a silicone uterus, placenta, and fetal manikin with a simulated OSB lesion, replicating the lesion sac, paraspinal muscles, and neural placode. Population: Four surgeons participated: an expert MFM consultant (TVM), a neurosurgical consultant (AK), an MFM fellow (novice 1, YK), and a neurosurgical resident (novice 2, CK). Methods: The surgical procedure included 8 steps: uterine access, working space creation, lesion exposition, junctional zone dissection, skin mobilization, dural patch application, and closure of myofascial flaps and skin. Success was defined by precise restoration (suture interval <3mm), total operative time ≤180 minutes, and a GEARS score >21/30. Main outcomes: Learning curve and competency were documented via LC-CUSUM and C-CUSUM. Results: Competence was achieved after 15–21 procedures, with novices reaching competency within this range. Participants maintained high performance in subsequent quality-controlled procedures. Conclusion: Robotic-assisted fetal OSB surgery in a high-fidelity simulation is feasible, showing promising outcomes for a large animal model and clinical translation .
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».