In-Hospital Outcomes after Robotic <i>Vs</i> Open Radical Nephroureterectomy
Notice bibliographique
Résumé
Objective: To test whether the contemporary robot-assisted nephroureterectomy (RNU) is associated with more favorable in-hospital outcomes than historical RNU, relative to the same endpoints in open NU (ONU). Methods: Within the National Inpatient Sample (2008–2019), we identified RNU and ONU patients. Multivariable logistic and Poisson regression models were fitted. Results: Of 8032 NU patients, historical (2008–2013) vs contemporary (2014–2019) proportions were 776 (41%) vs 1104 (59%) for RNU and 3719 (60%) vs 2433 (40%) for ONU. The rates of RNU have increased over time (2008–2019; Δ absolute: +18%; p < 0.001). Contemporary RNU patients exhibited significantly better in-hospital outcomes in 6 of 12 comparisons vs historical that ranged from −54% for genitourinary complications to −12% for median length of stay (LOS). Contemporary ONU patients also exhibited significantly better in-hospital outcomes in 11 of 12 comparisons vs historical that ranged from −67% for blood transfusions to −26% for gastrointestinal complications. When historical RNU was compared with historical ONU, RNU in-hospital outcomes were better in 7 of 12 comparisons that ranged from −61% for median LOS to −16% for postoperative complications. Conversely, when contemporary RNU was compared with contemporary ONU, RNU in-hospital outcomes were only better in 2 of 12 comparisons: −25% cardiac complications and −13% for median LOS. Conclusion: The magnitude of in-hospital outcomes categories improvement between historical vs contemporary was two-fold more pronounced in ONU (11 improved categories) than in RNU (6 improved categories). Few outcome benefits remained (two categories only) when contemporary RNU was compared with contemporary ONU.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».