Evaluating Laparoscopic and Robotic Liver Resection in Elderly Patients: A NSQIP Analysis of Short‐Term Outcomes
Notice bibliographique
Résumé
INTRODUCTION: Results of minimally invasive laparoscopic (LLR) and robotic liver resection (RLR) have been promising, but the benefits in the elderly patients are still unclear. This study aims to compare short-term outcomes of LLR and RLR in elderly patients. METHODS: The 2017-2021 NSQIP database was analyzed comparing patients ≥ 65 years old undergoing LLR versus RLR. Postoperative outcomes, factors associated with complications and mortality were assessed using propensity score matched (PSM) and multivariable logistic regression. RESULTS: We analyzed 2,210 patients undergoing LLR (n = 1865,84.4%) and RLR (n = 345,15.6%). Patients undergoing LLR were older (72.4 vs. 71.8 years; p = 0.04) and more likely to have ASA 4 (11.1% vs. 4.9%; p = 0.001). RLR patients had shorter hospital stays (3.5 vs. 4.4 days; p < 0.001) but longer operative durations (221.4 vs. 203.5 min; p = 0.013). On adjusted analyses, RLR was not associated with increased odds of serious complications (OR: 0.82, CI95% 0.42-1.58, p = 0.545) or mortality (OR: 0.87, p = 0.851). After PSM, RLR statistically reduced length of stay (-0.72 days; p = 0.012) but increased operative times ( + 32.62 min; p < 0.001). Subgroup analysis of patients ≥ 75 years confirmed consistent findings. CONCLUSIONS: RLR provides comparable safety and short-term outcomes to LLR, offering shorter hospital stays but longer operative durations. Findings support RLR as a viable option in elderly patients, but further studies evaluating long-term outcomes are warranted.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».