The learning curve for the Shouldice Repair: a pilot analysis of post-training specialized surgeons at the Shouldice Hospital
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
PURPOSE: The aim of the study was to evaluate operative time and postoperative complications of 4 post-training specialized surgeons. METHODS: This was a pilot retrospective chart review to determine the learning curve of a Shouldice primary inguinal hernia repair (Shouldice Repair) of 4 post-training specialized surgeons, at the Shouldice Hospital. The first 300 Shouldice Repairs (early learning block) were compared to their 900-1,000 repairs as the primary operating surgeon (late learning block). Data was collected from the hospital's database. The learning curve was examined using cumulative sum analysis (CUSUM). RESULTS: During the early learning block cases, the surgeons had a mean operating time of 59.2 ± 11.2 min. The late learning block cases had significantly reduced operative time (53.4 ± 10.5 min, p = 0.001). According to the CUSUM analysis all four surgeons had a plateau after 78 to 88 operations in terms of operative time. A nonsignificant reduction in the rate of reported recurrences (n = 16 vs. n = 0) and surgical site occurrences (haematoma, seroma, infection; n = 27 vs. n = 2) was found between the early and late learning block cases. CONCLUSION: The operating time plateaued after 78-88 Shouldice Repairs for the 4 surgeons trained and working at the Shouldice Hospital. A nonsignificant trend towards fewer complications were noted among late learning block cases.
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.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle