Learning Curve in Robotic Colorectal Surgery
Notice bibliographique
Résumé
Background and Objectives: Robotic platforms are increasingly employed in colorectal surgery for their technical and ergonomic benefits. However, surgeons face a significant learning curve, and there is no standardized definition or threshold to proficiency. This systematic review aimed to evaluate published evidence on learning curves in robotic colorectal surgery, focusing on proficiency thresholds, analytic methodologies, and the effect of experience on clinical and oncological outcomes. Methods: A systematic literature search of PubMed was performed through April 7, 2025. Studies reporting learning curve data for robotic colorectal procedures were included. Screening and selection were conducted using Rayyan. Extracted data included operative time, case numbers to proficiency, conversion and complication rates, and oncological metrics. Study quality was assessed using the Newcastle-Ottawa Scale. A narrative synthesis was undertaken due to heterogeneity in study design and outcomes. Results: Nineteen studies met inclusion criteria. The number of cases required to reach proficiency ranged from 15-55, with operative time being the most analyzed parameter. CUSUM and RA-CUSUM were the predominant analytic methods. Improved outcomes such as reduced complications, lower conversion rates, and enhanced oncological quality were generally observed in the post-proficiency phase. Variability in learning curve definitions and analytic approaches was significant across studies. Conclusion: Robotic colorectal surgery involves a measurable learning curve that impacts both technical and patient-centered outcomes. While most studies demonstrate improved metrics with experience, the lack of standardized methodology limits cross-study comparisons. Structured training pathways and consensus on learning curve analysis are needed to support safe adoption and credentialing in robotic colorectal surgery.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 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) | 0,000 | 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 ».