Direct Carbon Dioxide Emissions in Robotic Lung Resection–Analysis of a Prospective Cohort
Notice bibliographique
Résumé
INTRODUCTION: Climate change is one of the most significant global health threats of the 21st century. Environmental concerns have led to increasing interest in reducing the carbon footprint of surgical procedures. However, there is a paucity of data evaluating direct carbon dioxide (CO2) emissions associated with robotic lung resection. This study aims to quantify direct CO2 emissions in robotic lung surgery. MATERIALS AND METHODS: Patients were identified from a prospectively maintained robotic thoracic database. Those undergoing either robotic segmentectomy or lobectomy for suspected or confirmed lung cancer from December 2017 to December 2022 were included. CO2 volume (liters; L) was used to calculate the weight (grams; g) of CO2 delivered into the chest cavity. Descriptive statistics were used to characterize CO2 utilization and linear regression was performed to identify factors associated with increased CO2 utilization. RESULTS: Of 528 patients identified, 421 had documented CO2 insufflation data and 90.97% (383/421) underwent either robotic segmentectomy or lobectomy. The mean weight of CO2 utilized was 756.52 (±409.86) g per patient and the weight of CO2 for the entire cohort was 0.29 metric tonnes. This is equivalent to a one-way flight from Toronto, Canada to Salt Lake City, USA. Segmentectomy, increased BMI, increased nodal harvest, and larger tumors were associated with reduced CO2 utilization. CONCLUSIONS: Direct CO2 emissions in robotic lung resection may be lower than previously assumed. While strategies to reduce CO2 utilization ought to be pursued, future studies should be aimed at establishing the optimal approach to mitigating the environmental impact of robotic lung resection.
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 | 0,002 | 0,004 |
| 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 ».