Impact of non-surgical OR time on efficiency and costs with Hugo™ RAS
Notice bibliographique
Résumé
Robot-assisted surgery is increasingly preferred. New systems such as the Hugo™RAS enter the market, offering different pricing and modular architecture. While daVinci systems dominate U.S. practice, the HugoRAS system is undergoing early implementation. Understanding non-surgical, patient-independent time (NonSPIT)-a major driver of cost and efficiency-is crucial for institutions considering adoption. We conducted a prospective, single-center study in Germany, comparing perioperative times of robotic pelvic procedures (RPP) using newly introduced HugoRAS and preestablished daVinci Xi, and retrospectively of open pelvic procedures (OPP). NonSPIT, defined as setup, docking, undocking, and system cleanup, was recorded and analyzed with respect to personnel experience. The resulting costs were estimated. 167 RPP using HugoRAS (n = 144) and Xi (n = 23) were included and supplemented with 20 historical OPP. NonSPIT accounted for 40.0% (HugoRAS) and 36.7% (Xi) of total procedure time, compared to 31% in OPP. HugoRAS required 13 more minutes of NonSPIT than Xi (94.3 vs. 81.6 min; p < 0.05-OPP: 68.4 min). This overall disadvantage was nullified after 10-15 cases per scrub nurse. 77.1% of NonSPIT difference was caused by setup, where RPP showed longer preparation times than OPP (45.1 and 33.5 min vs. 27.4 min). HugoRAS setup was slower than Xi for unexperienced (48.0 vs. 33.5 min; p < 0.01) and experienced teams (44.5 vs. 33.5 min; p < 0.01). The projected additional time costs of NonSPIT in HugoRAS RPP amounts to $865.55 and $1325.95 per procedure compared to Xi and OPP, respectively. HugoRAS' cost of learning is estimated at $7017.87 per nurse until efficiency of an established Xi system is achieved. In the U.S. context, HugoRAS may initially be less time-efficient than daVinci Xi. However, this gap closes after approximately 15 procedures, leaving behind only a small disadvantage in system preparation and making HugoRAS an economical alternative-particularly given its lower per-case instrumentation costs.
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 | 0,009 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».