Robotic One Anaesthetic Marking And Resection ( <scp>ROMAR</scp> ): A Novel Approach for Thoracoscopic Sublobar Resection of Peripheral Pulmonary Lesions
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Small lung nodules can be difficult to identify via thoracoscopy, thereby making thoracoscopic sublobar resection challenging. We have developed a protocol of preoperative lung nodule marking using robotic-assisted bronchoscopy (RAB), followed by thoracoscopic sublobar resection in one setting. We evaluated the outcomes of patients undergoing Robotic One Anaesthetic Marking And Resection (ROMAR). METHODS: We reviewed the records of all patients undergoing ROMAR between January 2023 and March 2025. The primary outcome was the success of marking, defined as dye visualisation on the pleural surface during thoracoscopy and the resected specimen containing the lesion. RESULTS: A total of 119 lesions in 111 patients were included. The mean lesion size was 14.2 mm (SD ± 5.9 mm). The majority of the lesions (77.3%) were non-solid. An average of 1.0 cc of dye was injected per target. RATS and VATS were performed in 77 and 31 patients, respectively. The initial resection procedures were wedge resection in 94 patients (84.7%), segmentectomy in 16 patients (14.4%), and lobectomy in 1 patient (due to adhesions). In 6 cases, dye was not visible on the pleural surface during thoracoscopy. In 5 patients (4.5%), no tumour was identified on the initial frozen section. Therefore, initial sublobar resection was successful in 99 patients (89.2%). No significant complications were noted. CONCLUSIONS: ROMAR facilitated successful thoracoscopic sublobar resection of small lung nodules in approximately 90% of the cases. It is safe and can be easily adopted at most centres performing robotic bronchoscopy and thoracoscopic lung 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».