With great power comes great risk: High ureteral stricture rate after high-power, high-frequency Thulium fiber laser lithotripsy in ureteroscopy
Notice bibliographique
Résumé
Abstract Purpose To compare the safety and efficacy of Thulium Fiber Laser (TFL) using either manufacturer presets (MP) or individualized presets (IP) in ureteroscopy. Methods Multi-institutional, retrospective analysis on the first patients treated with SOLTIVE ® Premium (Olympus Medical Systems ® ) TFL in Switzerland in 2020. MP were used at the University Hospital of Geneva, while IP were used at the University Hospital of Zurich. Patient demographics, stone characteristics, and procedural details were collected. Primary outcome was postoperative ureteral stricture (US). Secondary outcome was stone-free rate (SFR). Results A total of 158 patients were analyzed, 79 in each group. Demographics were similar between the two groups, except for a lower pre-stenting rate in the MP group (56% vs. 91%; p < 0.001) and a higher rate of ureteral access sheath use in the MP group (65% vs. 44%; p = 0.011). No significant differences in stone burden (median stone diameter 9 mm, median stone volume 267 mm 3 ), nor in the rate of impacted ureteral stones (29% vs. 34%; p = 0.49). Mean power, maximal power, frequency settings, and energy consumption were significantly higher in the MP group. US rate was 11% in MP group compared to 1% in IP group ( p = 0.009). MP were a significant predictor of US on multivariable analysis (OR 12.4; p = 0.02), independently from impacted ureteral stones. No difference in SFR between groups (85% and 84%; p = 0.67). Conclusion High-power, high-frequency laser settings from manufacturer laser presets increase the risk of US, without improving SFR. Future studies shall further evaluate optimal laser settings depending on patient characteristics and intraoperative situation.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».