Defining the Learning Curve in Minimally Invasive Cardiac Surgery: A Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
BACKGROUND: Minimally invasive cardiac surgery (MICS) has become a popular approach due to its potential benefits, such as improved cosmesis, faster recovery, shorter hospital stays, and cost-effectiveness, compared with traditional median sternotomy. However, there have been some concerns regarding procedural efficiency and surgical outcomes, especially in the early phase of the learning curve of these procedures. METHODS: In March 2025, a systematic review was conducted using MEDLINE, Embase, the Cochrane Library and Google Scholar databases to identify potential studies that quantitively assessed the learning curve in MICS using predefined metrics based on surgical times and/or clinical outcomes. RESULTS: There were 28 studies involving 13,257 patients that met the inclusion criteria, most of which were retrospective, focusing on 3 types of MICS: minimally invasive mitral valve surgery, aortic valve replacement, and coronary artery bypass grafting. The learning curve was assessed using arbitrary (split-group) and nonarbitrary (cumulative sum) methods. Common perioperative metrics included operative, cardiopulmonary bypass, aortic cross-clamp times, and postoperative complications. The reported number of cases needed to overcome the learning curve varied widely, ranging from 23 to 125 cases (mean, 39 cases [for repair] and 78 [for replacement]) for minimally invasive valve surgery, 40 to 138 cases (mean, 93 cases) for minimally invasive aortic valve replacement, and 16 to 100 cases (mean, 40 cases) for minimally invasive coronary artery bypass grafting. CONCLUSIONS: Differences in surgical process and postoperative outcomes suggest a learning curve in MICS, although stable morbidity and mortality rates indicate the safe adoption of these procedures with appropriate training. Nonetheless, significant heterogeneity across studies prevents precise learning curve characterization, highlighting the need for standardized, multivariable assessment frameworks.
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 | 0,015 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,014 | 0,029 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».