Fetoscopic Robotic Open Spina Bifida Treatment (<scp>FROST</scp>): A Preclinical Feasibility and Learning Curve Study
Notice bibliographique
Résumé
OBJECTIVE: The primary aim was to assess the feasibility of robotic OSB repair in a simulation 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 exteriorised uterus for laparotomy-assisted laparoscopic OSB surgery. It included a silicone uterus, placenta and foetal manikin with a simulated OSB lesion, replicating the lesion sac, paraspinal muscles and neural placode. POPULATION: Four surgeons participated: an expert Maternal Fetal Medicine consultant, a neurosurgical consultant, a Maternal Fetal Medicine fellow and a neurosurgical resident. METHODS: The surgical procedure included eight steps: uterine access, working space creation, lesion exposition, junctional zone dissection, skin mobilisation, dural patch application, closure of myofascial flaps and closure of skin. Success was defined by precise restoration (suture interval < 3 mm), foetal repair time ≤ 120 min 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 foetal 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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 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 ».