Two‐Step Parametrial Endometriosis Nodule Excision Using Virtual Reality Technology and 3D Modelling for Surgical Planning
Notice bibliographique
Résumé
Extensive and infiltrative fibrous adhesions of the uterus and ovaries to the surrounding organs make surgical interventions in endometriosis challenging. A preoperative identification of these involvements can help the surgeon better prepare for the surgery. Traditionally, ultrasonography and magnetic resonance imaging (MRI) have been used. However, clinical use of modern VR technology for creating and visualising a three-dimensional (3D) digital model for a complex surgical case has been proposed. We describe a case of a 29-year-old who presented with dyspareunia and dysmenorrhea (VAS score of 10/10) with left parametrial endometriosis and created a 3D model from their two-dimensional (2D) DICOM images. A left parametrial endometriosis nodule was identified involving the left ureter, rectum, and vaginal fornix along with mucosa. A virtual preoperative surgery was done for precise and complete excision of the disease and to prevent injury to the left ureter and rectum. The surgery was performed as a two-step excision using a da Vinci Xi robot and included left ureterolysis, shaving of the bowel endometriosis nodule and full-thickness vaginal wall excision along with the infiltrating nodule. The infiltrating endometriosis nodule was split into two halves and was excised individually. Her postoperative VAS score for dysmenorrhea was 2/10, and she is 28 weeks pregnant at the time of submission. Advanced VR imaging can help in the evaluation and management of deep endometriosis. It can improve the surgeon's understanding of the specific anatomy, visualise the disease, and improve clinical outcomes.
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 | 0,001 | 0,091 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,004 | 0,003 |
| 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 ».