机器人肝胰胆(HPB)外科学习曲线的多维评估:从病例量与替代指标到风险调整、胜任力与团队情境的叙述性综述

《Journal of Clinical Medicine》:Atrial Septal Aneurysm and Anxiety: A Matched Cross-Sectional Study with Prospective Enrollment Exploring Clinical and Psychosomatic Associations

【字体: 大 中 小 】 时间:2026年10月17日 来源:Journal of Clinical Medicine 3.3

编辑推荐:

  背景:机器人外科(robotic surgery)的演进拓宽了微创肝胰胆(hepatopancreatobiliary, HPB)外科的手术指征,使更复杂病例的实施成为可能。在此背景下,学习曲线(learning curve)概念已成为评估机器人 HPB 项目

  
背景:机器人外科(robotic surgery)的演进拓宽了微创肝胰胆(hepatopancreatobiliary, HPB)外科的手术指征,使更复杂病例的实施成为可能。在此背景下,学习曲线(learning curve)概念已成为评估机器人 HPB 项目中外科培训与专长以及患者安全的关键因素。然而,现有方法学常采用手术量(procedure volume)和替代性术中指标,这可能不足以定义外科胜任力(surgical competence)。方法:该叙述性综述(narrative review)探讨机器人 HPB 外科中的学习曲线概念,重点关注现有绩效指标、方法学局限、手术复杂性、风险调整(risk adjustment)以及团队相关与机构因素的影响。结果:手术时间、估计失血量(estimated blood loss, EBL)、中转率(conversion rate)和术后并发症率常用于评估学习曲线。然而,这些指标受患者选择标准、手术复杂程度以及机构特征和手术团队经验等其他因素影响。因此,单一数值或拐点(inflection point)可能无法充分捕捉外科胜任力的概念。胜任力(competency)、熟练度(proficiency)和精通(mastery)是不同学习阶段,而技术熟练度、临床结局、肿瘤学充分性和术中决策等技能的学习速度可能不同。结论:机器人 HPB 外科的学习曲线应被视为多维度(multi-dimensional)且复杂的过程,而非病例数与结果之间的简单相关性。未来学习曲线评估需考虑不同维度,包括技术、临床、肿瘤学、认知和团队相关方面,并兼顾每例病例的复杂程度和机构情境。
1. Introduction(引言)
机器人手术(robotic surgery)在过去十年推动微创肝胰胆(hepatopancreatobiliary, HPB)外科发展。三维可视化、腕式器械、震颤过滤和人体工学等优势扩大了微创肝手术(minimally invasive liver surgery, MILS)指征,包括重大肝切除、后上段切除及多部位或同期结直肠肝转移手术。已发表学习曲线估计具有手术、终点和情境特异性。现有研究多采用手术时间、估计失血量(estimated blood loss, EBL)、中转率和术后并发症等替代性指标,虽易采集但仅部分反映手术表现。复杂手术增加使传统线性一维学习曲线失效。学习发生在个人、团队和组织层面,病例组合和复杂性异质性常被忽略;复杂性调整分析显示风险分层组曲线不同。本综述旨在批判评价机器人 HPB 外科学习曲线,并探索多维视角。

2. Methods and Scope of the Narrative Review(叙述性综述的方法与范围)
本文为叙述性综述(narrative review),检索并分析机器人 HPB 外科学习曲线相关文献,重点为绩效指标、方法学局限、手术复杂性及个人、团队和机构因素。检索 PubMed 和出版商网站,关键词包括 robotic、liver resection、hepatectomy、pancreatoduodenectomy、distal pancreatectomy、learning curve、CUSUM、competency 和 difficulty score。研究按与综述目标的相关性选择,未进行正式系统筛选或质量评估。因此,本综述非穷尽性证据合成,需在其方法学限制内解释。

3. What Do We Mean by “Learning Curve”?(何为“学习曲线”?)
学习曲线在文献中常用,但在机器人 HPB 外科缺乏统一界定。传统上指达到某一表现平台所需手术数,通常以手术时间衡量。该定义简单可量化,却未充分反映技能发展复杂性。需区分胜任力(competency)、熟练度(proficiency)和精通(mastery):胜任力指常规情况下安全手术并获良好结果;熟练度指更广泛手术中可靠高效;精通指高级技术、适应困难并接近最优结局。大系列机器人肝切除显示这些阶段出现时间不同,早期胜任力较快,精通需更多经验。学习非线性,受开放和腹腔镜经验、微创技能、病例选择和机构支持影响。效率、技术、并发症和肿瘤学充分性可独立不同速度发展。因此,学习不能简化为病例量与能力的一一对应。

4. Procedure-Specific Scope and Transferability(手术特异性范围与可转移性)
现有最强证据集中于机器人肝切除和胰腺手术,胆道重建证据较少。胰十二指肠切除涉及吻合重建及临床相关术后胰瘘、胃排空延迟和胰切除术后出血等结局;远端胰腺切除技术特征不同。有研究评估 200 例机器人胰十二指肠切除,另有研究分析 100 例机器人远端胰腺切除,发现约 20 和 40 例后手术时间下降,40 例后再入院降低。这些观察支持手术特异性评估,不应将肝脏阈值转移至胰腺或胆道手术。

5. Metrics Used to Assess the Learning Curve(评估学习曲线的指标)
量化指标是主要评估手段,包括术中及早期术后结果。手术时间最常用,客观易测;其下降反映效率和流程熟悉,但不一定代表手术熟练。EBL、中转开腹和术后并发症也常报告,但受肿瘤位置、血管侵犯、肝实质、病例选择和机构风险阈值影响。术后并发症按 Clavien–Dindo 分类(Clavien–Dindo classification),受多因素影响。累积和(cumulative sum, CUSUM)可监测偏离目标值并识别拐点,风险调整 CUSUM(risk-adjusted CUSUM, RA-CUSUM)和学习曲线 CUSUM(learning curve CUSUM, LC-CUSUM)考虑患者和手术因素,但依赖目标值和风险模型。过程指标不能代表整体胜任力,且常忽略肿瘤学充分性、切缘和术中决策。解剖难度评分如 IWATE 难度评分(Iwate difficulty score)、Southampton 评分(Southampton score)和 Kawaguchi 分类(Kawaguchi classification)是不同系统,不应混淆;解剖难度亦不等同患者风险。

6. Interpreting CUSUM and Competency Thresholds(解读 CUSUM 与胜任力阈值)
传统 CUSUM 常累积手术时间偏差,其峰值位置依赖病例顺序、病例组合和样本均值,属描述性转折点,不构成预定义、外部验证的胜任力阈值。LC-CUSUM 检验预设可接受与不可接受失败率;RA-CUSUM 纳入每例预期风险模型。LC-CUSUM 非固有病例组合调整,RA-CUSUM 依赖风险模型校准和效度。终点和决策限需预设并理想地外部验证。已选研究阈值针对特定终点,不应解释为通用能力标准。

7. Why Current Learning Curve Models May Be Misleading(为何当前模型可能误导)
当前模型主要依赖手术时间等一维指标。手术时间下降多反映效率而非技能,平台可能误导其他能力判断。风险调整和病例组合考虑不足:早期选择简单病例,结果较好;经验增加后扩展至复杂病例,难度增加可能掩盖技能提升或相反。选择与发表偏倚明显,数据多来自高容量、有微创经验中心,外部效度有限,早期不良结果可能低报。IDEAL 框架(IDEAL framework)强调结构化报告,但机器人 HPB 中不普遍。线性均匀进展假设错误,不同表现域可独立变化,技术技能与并发症降低无必然联系。团队经验、围手术期方案和机构能力等非技术系统因素常被忽略,团队学习可能贡献结果改善。

8. Patient Risk Versus Procedural Complexity(患者风险与手术复杂性)
手术复杂性评分和患者风险调整针对相关但不同的异质性来源。肝难度评分考虑解剖和技术特征;患者层面模型应考虑体重指数、合并症、既往腹部手术、肝硬化、门脉高压、肝功能、新辅助治疗和衰弱。IWATE 标准不应与 Halls 和 Kawaguchi 提出的分类混淆。复杂性评分本身不控制患者风险。胰腺和胆道手术需手术特异性复杂性和风险模型,不能不加批判转移肝评分。

9. Toward a Multidimensional Framework for Learning Curve Assessment(走向多维学习曲线评估框架)
传统单变量单拐点不能捕捉手术表现复杂性。学习应视为多维、情境依赖过程。框架应包括技术效率(手术时间、控制台时间、EBL,早期改善但对患者结局有限);临床结局(并发症、死亡、救援失败,较晚稳定,早期可因病例选择偏低);肿瘤学充分性(R0 切除率、淋巴结检出、长期生存,常被遗漏);术中决策与适应性(应对意外、改变计划和处理并发症,难量化);病例复杂性(难度评分提供情境);团队和机构情境(手术室结构、麻醉、护理、机构量,体现集体学习)。方法上需复合纵向评估、风险调整或分层模型。概念可从“学习曲线”转向“学习景观”(learning landscape)。这不否定现有指标,而是提供更丰富背景。

10. Practical Implementation of the Proposed Framework(所提框架的实际实施)
现有工具可作为组件:OSATS 和 GOALS 评估一般技术表现,GEARS 评估机器人技术技能;控制台运动与器械指标可补充,但需手术特异验证,不能替代临床安全。术中判断可通过盲法视频复核决策点、结构化评估对意外发现反应、升级和中转决策及记录汇报。初步实施宜用逐领域 dashboard,而非单一未验证加权总分。技术表现、患者安全、肿瘤学质量、判断和团队功能各有预设可观察指标;安全关键事件应触发病例复核,证据不足域标为“尚不可评估”。尚无通用权重、最低分或通过/失败阈值。实施需机构承诺、多学科利益相关者参与、资源和三阶段策略:咨询与需求评估;试点前瞻数据收集与反馈;评估可行性、可接受性、信度、成本和结局关联。验证和可持续后才考虑广泛采用。

11. Implications for Surgical Training and Credentialing(对手术培训与认证的意义)
学习复杂非线性,对培训和认证有影响。手术量作为胜任力替代不足;相同例数外科医生在并发症和技术上可能差异显著。仅基于定量要求的认证可能使正式认证与实际能力错位,影响患者安全。应转向以胜任力为基础的多维培训,同时保留定量指标于整体评价。客观测量如全局评定量表和手术特异指标有价值,但在机器人 HPB 中应用异质。模拟训练应成为基本工具,强调反馈,但不能复制真实手术。导师和督导应个体化、基于胜任力。病例复杂性应纳入培训路径,低复杂手术成功不等于高复杂手术成功。证据限制包括回顾性单中心、选择偏倚、方法异质性、CUSUM 阈值依赖、经验测量不一致、长期肿瘤结局少及框架未验证。技术演进导致平台特异学习轨迹,人工智能(artificial intelligence, AI)等可客观评估但需外部验证,注意算法偏倚、隐私和数据治理。

12. Limitations of the Evidence and the Proposed Model(证据与所提模型的局限)
本综述为非系统性叙述合成,可能遗漏相关研究。已发表证据多来自选择中心,学习定义异质,部分教育或团队文献来自非 HPB 专科。胜任力、熟练度和精通是有用概念区分,但在机器人 HPB 外科无普遍接受的操作阈值。所提多维框架尚未前瞻验证,域权重未定义,也未证明优于传统认证。因此,政策意义应视为假设和研究优先事项。

13. Future Directions and Research Agenda(未来方向与研究议程)
未来需开发超越手术时间和病例量的多维绩效指标,纳入技术技能、术中决策、错误管理和结局,并进行前瞻验证。应跨机构、机器平台和复杂程度前瞻评估多维风险调整框架,需利益相关者参与、资源、标准化数据并考虑技术演进。纵向研究可采用混合效应模型和机器学习描述个体差异和预测学习。需整合病例复杂性评分,研究其与经验、团队合作等交互。应扩展至团队和组织学习,而非仅个人。最后,需标准化术语和指标共识,以提高可比性和证据整合。

14. Conclusions(结论)
传统容量相关模型不足以捕捉机器人 HPB 外科学习曲线。外科学习是多面、非线性和情境化的,受技术认知技能、病例复杂性和医院环境交互影响。手术量是不完美且可能误导的胜任力指标,对培训和认证有影响。从容量指标转向整合、胜任力为基础的框架有前景但尚未验证。未来应前瞻测试结构化、客观和情境敏感评估框架与临床结局的关联。在验证前,多维评估应视为有前景的提议,而非现有认证标准的已证替代。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号