机器人肝胆胰外科的学习曲线：迷思、度量与误读

《Journal of Clinical Medicine》：The Learning Curve in Robotic HPB Surgery: Myth, Metrics, and Misinterpretations

　　

背景：机器人手术的发展拓宽了微创肝胆胰（HPB）手术的适应证，使得更复杂病例的执行成为可能。在此背景下，学习曲线概念现已成为评估机器人HPB项目中的外科培训、专业能力以及患者安全的关键因素。然而，现有方法常采用手术量和替代性术中指标，这可能不足以定义外科胜任力。方法：本叙述性综述审视了机器人HPB手术中的学习曲线概念，重点关注现有绩效指标、方法论局限、手术复杂性、风险调整以及团队和机构因素的影响。结果：手术时间、估计失血量、中转率及术后发病率常被用于评估学习曲线。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操作团队经验等其他因素的影响。因此，单一数值或拐点可能无法充分捕捉外科胜任力的概念。胜任力、熟练度和精通度是学习的不同阶段，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各不相同。结论：机器人HPB手术中的学习曲线应被视为一个多维度且复杂的过程，而非病例数与结果之间的简单相关性。未来对学习曲线的评估需要考虑不同领域，包括技术、临床、肿瘤学、认知和团队相关方面，同时兼顾每个病例的复杂程度和机构背景。

论文主体内容总结

1. 引言

机器人手术在过去十年间将微创肝胆胰（HPB）手术推向了新高度。凭借机器人平台提供的三维可视化、腕式器械、震颤过滤和人体工学改进等技术优势，微创肝脏手术（MILS）的适应证逐渐扩展至更复杂的干预措施，如大范围肝切除术、后上段切除以及针对结直肠肝转移的多发或同期手术。已发表的学习曲线估计值因手术、终点和情境而异。例如，Rahimli等人描述了100例机器人肝切除术的连续阶段，约65例与其后期表现阶段相关。相比之下，Boone等人发现约20例机器人胰十二指肠切除术后出血量改善，约40例术后胰瘘结局改善。这些数据是个别系列中的描述性发现，并非可互换的认证阈值。现有文献倾向于主要使用替代性术中测量指标，如手术时间、估计失血量和中转率来描述学习过程。尽管易于收集和量化，但这些测量仅提供了外科表现的片面图像，因为手术时间随机器人系统熟练度的提高而下降，但并不一定反映解剖质量、肿瘤学充分性和术中决策。估计失血量取决于多种因素，不仅限于手术技巧，还包括肿瘤特征、实质状况和麻醉管理。此外，所进行手术复杂性的增加使传统上将学习曲线视为线性一维现象的做法失效。在现实中，外科表现是多方面的，不仅涉及外科医生的个人能力，还涉及医生与团队成员的合作、围手术期患者管理、医院基础设施以及病例选择策略。近年来的证据表明，机器人肝脏手术中的学习发生在多个层面，如个人层面、团队层面和组织层面。另一个关键局限性在于这些研究未能考虑病例组合和手术复杂性的异质性。比较前外侧小范围切除术与大范围肝切除术及后上段切除术的学习曲线是不可能的。经复杂性调整的分析结果显示，风险分层组间的学习曲线时间和形状存在显著差异，从而指出了非调整分析中固有的潜在偏倚。这些观点强调了重新思考机器人HPB手术中学习曲线概念的必要性。过度简化指标和病例数阈值可能会扭曲外科学习过程的真实面貌，并对培训、资质认证和实践得出错误结论。本叙述性综述旨在批判性地评估机器人HPB手术中的学习曲线，将审视所使用的概念和指标、当前研究的局限性，以及基于外科学习多维方法的新视角。

2. 方法与范围

本叙述性综述审视了关于机器人肝胆胰（HPB）手术学习曲线的现有文献，特别关注绩效指标、方法论局限、手术复杂性以及个人、团队和机构因素。通过叙述性文献检索和相关文章参考文献列表的审查确定了相关出版物。使用了包括“robotic”、“liver resection”、“hepatectomy”、“pancreatoduodenectomy”、“distal pancreatectomy”、“learning curve”、“CUSUM”、“competency”和“difficulty score”在内的术语组合查询PubMed索引出版物和出版商网站。考虑了截至2026年8月的出版物。特别关注了特定手术的临床研究、方法论调查以及涉及外科教育和能力评估的出版物。根据与综述目标的相关性选择研究，未进行正式的系统筛选或质量评估方案。因此，本综述不旨在提供所有可用证据的详尽综合，其发现应在叙述性综述固有的方法论局限性内进行解释。

3. 我们所说的“学习曲线”是什么意思？

“学习曲线”在外科文献中已成为一个流行短语，用以解释经验和表现如何随时间推移而进步。然而，在机器人HPB手术领域，它仍缺乏定义且存在误解。传统上，学习曲线被解释为达到某种表现平台所需的手术数量，通常是手术时间。这种解释提供了简单性和可量化性，但同时也未能完全反映外科技能发展的复杂性，并可能造成对学习过程的肤浅感知。区分胜任力、熟练度和精通度至关重要，它们代表不同的外科发展水平，却有时被互换使用。胜任力指在常规情况下安全执行手术并获得良好结果的能力。熟练度是更高层次的表现，以在更广泛手术中的可靠性和效率为特征。精通度则包括掌握高水平技术技能、适应困难情况以及在保持接近最佳结果的同时处理外科挑战的能力。来自大型机器人肝切除术系列的证据表明，这些水平不仅在时间上有所区别，而且出现在不同时期，早期胜任力在完成一定数量的病例后相对较快地达到，而精通度则需要更广泛的经验才能获得。学习曲线的进展并非线性和同质的，而是取决于多种因素，包括既往开放和腹腔镜手术经验、微创手术技能、病例选择方法和机构支持。具备腹腔镜手术技能的医生可能在机器人手术的早期学习中表现出更快的速度，尤其是在手术效率方面；然而，随着手术难度的增加，这一速度可能会受到影响。此外，经典的一个学习曲线全面展示学习进度的概念并未完全涵盖外科表现的多样性。诸如手术效率、技术熟练度、并发症发生率和肿瘤切缘充分性等方面可能相互独立并以不同速度发展。因此，手术时间的缩短可能先于并发症发生率或肿瘤学充分性的稳定。因此，应考虑采用多维方法来研究外科学习。相应地，机器人HPB手术中的学习不能简化为病例量与胜任力之间的一一对应关系。胜任力、熟练度和精通度是有用的概念标签，但目前尚无普遍验证的、独立于手术的可操作阈值来定义这些阶段。

4. 特定手术的范围与可迁移性

此处汇集的最有力证据涉及机器人肝切除术和胰腺手术；关于机器人胆道重建的证据尚不充分。胰十二指肠切除术涉及吻合重建，其结果包括临床相关的术后胰瘘、胃排空延迟和胰腺切除术后出血；远端胰腺切除术则具有不同的技术特点。Boone等人评估了200例机器人胰十二指肠切除术，而Shakir等人分析了100例机器人远端胰腺切除术。后者研究发现约20例和40例后手术时间减少，40例后再入院率降低。这些观察结果支持采用特定手术的方法，而不是将肝脏阈值迁移到胰腺或胆道手术。

5. 用于评估学习曲线的指标

在评估机器人HPB手术学习曲线时，过去主要使用可量化参数，包括术中及早期术后结果。其中最常用的是手术时间，因其客观性和易测量性而受到青睐。每例手术时间的下降趋势通常与外科医生效率的提高和对手术流程熟悉度的增加有关。尽管手术时间反映了工作效率和流程协调的早期变化，但它可能并非衡量外科熟练度的指标。除手术时间外，其他常见报告变量包括估计失血量（EBL）、中转开腹率和术后发病率。虽然这些参数具有临床相关性，但它们受到许多除操作医生技能之外的混杂因素的影响。例如，EBL可能因肿瘤位置、血管侵犯和肝脏实质状态而变化。另一方面，中转率在很大程度上取决于病例选择以及机构对可接受风险的阈值。使用Clavien-Dindo分类的术后发病率不仅仅依赖于术中管理。为克服单一结果评估的弱点，提出了几种替代统计技术，其中最流行的是累积和（CUSUM）及其变体。CUSUM方法允许通过计算与特定目标值的偏差来监测表现的发展，从而能够检测出表征不同学习阶段的拐点。该方法的更复杂变体包括风险调整CUSUM（RA-CUSUM）和学习曲线CUSUM（LC-CUSUM），试图考虑由患者和手术相关因素引起的差异；然而，所有这些方法都严重依赖于目标值和风险调整模型的选择。当前技术的另一个弱点是频繁使用基于过程的测量指标作为外科医生整体能力的指标。此类测量可以揭示技术效率的某些方面，但未考虑诸如肿瘤学充分性（如切缘状态和生存率）以及术中决策等重要变量。新数据显示，效率首先得到改善，随后才是并发症发生率和肿瘤学结果。目前用于评估机器人HPB手术学习曲线的主要指标及其主要优势、局限性和评估领域已有总结。解剖难度必须使用正确的工具进行描述：Iwate难度评分源自Ban等人报告的肝切除难度模型，而Halls等人开发的Southampton评分和Kawaguchi分类则是不同的系统。这些评分不应被视为同义词。此外，解剖难度不等同于患者层面的风险，后者可能包括年龄、BMI、虚弱程度、合并症、既往腹部手术史、肝功能以及潜在的实质性疾病。总体而言，这些发现表明，机器人HPB手术学习曲线的研究方法仍然多样且概念狭窄。迫切需要转向多维风险调整的分析框架。

6. 解读CUSUM与能力阈值

传统的累积和（CUSUM）图通常累加同一观察序列均值的手术时间偏差。峰的位置取决于病例顺序、病例组合和所选样本均值，而样本均值本身会随着更多病例的加入而改变。这样的转折点是描述性的，并不能建立预先定义的、经过外部验证的能力阈值。学习曲线CUSUM（LC-CUSUM）则是根据预先设定的可接受和不可接受的失败率来检验表现；风险调整CUSUM（RA-CUSUM）则纳入了针对个体病例的显式预期风险模型。LC-CUSUM本身并非病例组合调整，而RA-CUSUM则依赖于其风险模型的校准和有效性。终点和决策限都必须预先指定，并且理想情况下应经过外部验证。相关研究是经过核实的原始出版记录的有针对性、非详尽的选取。阈值指的是所述终点，不应被解释为通用的能力标准。

7. 当前学习曲线模型为何可能具有误导性

尽管分析机器人辅助HPB手术学习曲线存在一些常见模型，但这些模型存在某些可能影响分析和结果解释的缺陷。主要问题在于依赖简单的一维指标，如手术时间。尽管所有研究者都报告了手术时间的下降，但这主要是效率提升的指标，而非手术技能本身的提升。因此，识别手术时间的平台期可能会对在其他表现领域是否达到能力水平给出错误指示。学习曲线的另一个关键问题是未能充分考虑风险调整和病例组合。学习曲线的初始阶段涉及有意选择不太复杂的患者，这自然会导致更好的结果。随着经验的增长，外科医生的适应证扩展到更复杂的干预措施。病例难度水平的增长可能掩盖技能水平的真实提升，反之亦然。涉及微创肝切除的研究表明，考虑病例组合会显著影响学习曲线。此外，选择和发表偏倚是重要但经常被忽视的问题。现有数据主要来自高容量和经验丰富的中心，这些中心在微创手术方面有相当多的先前经验，从而损害了外部效度。此外，早期采用阶段的糟糕结果可能未被充分报道，导致对学习曲线过于乐观的描述。IDEAL外科创新框架强调了在新技术采用的每个阶段进行一致和结构化报告的重要性；然而，这种报告在机器人HPB手术领域远未普及。另一个问题与学习曲线呈线性和均匀进展的看法有关。实际上，外科教育是一个受个人、技术和组织因素影响的复杂过程。不同的表现领域——手术速度、并发症发生率、切除充分性——可以以各自的速度相互独立地变化。外科结局研究表明，技术技能与并发症发生率降低之间没有必然联系。第三，非技术和系统相关问题的重要性，如团队经验、围手术期方案和机构能力，在当前模型中常被忽略。机器人HPB手术需要团队出色的表现和高水平的机构经验。专注于手术安全和团队合作的研究表明，沟通和协调技能以及共享经验对围手术期结果有显著影响，因此，积极的变化可能归因于团队学习而不仅仅是外科医生学习。总之，上述讨论表明需要谨慎解读学习曲线模型的结果。尽管它们提供了良好的描述性见解，但无法涵盖外科学习过程的所有方面，因此应使用更复杂的模型来设定现实的基准。

8. 患者风险与手术复杂性

手术复杂性评分和患者层面风险调整处理的是相关但不同的异质性来源。肝脏难度评分考虑了解剖和技术特征，而患者层面模型应考虑体重指数、合并症负担、既往腹部手术史、肝硬化、门静脉高压、肝功能、新辅助治疗和基线虚弱程度（在临床相关的情况下）。IWATE标准不应与Halls和Kawaguchi开发的独立难度分类相混淆。仅凭复杂性评分并不能控制患者风险。对于胰腺和胆道手术，需要特定手术的复杂性和风险模型，而不是不加批判地移植肝脏评分。

9. 迈向学习曲线评估的多维框架

对传统学习曲线构建方法固有缺陷的认识日益增强，这促使需要开发一种增强的方法来促进机器人HPB手术中外科技能学习的评估。当前通过基于单个拐点的单变量测量来形成学习曲线的方法并未考虑到外科表现的复杂性质，并可能过度简化一个本质上复杂的过程。在这方面，学习应被视为一个多维且依赖于情境的过程。多维评估方法应包含表现的不同维度。第一个维度与技术效率相关，包括手术时间、控制台时间和估计失血量等指标，这些主要取决于手术熟悉度、外科灵巧度和工作流程优化。虽然这些指标对早期改善反应灵敏，并在学习过程初期经历显著变化，但当单独考虑时价值有限，因为它们可能与基于患者的结果不相关。其次，临床结局可以被视为外科结果的另一个关键领域，包括术后发病率、死亡率和救治失败率。虽然效率相关指标仅由术中参数决定并在学习曲线早期发生变化，但上述参数依赖于术中和围手术期变量，并在较晚阶段趋于稳定。此外，由于早期仔细的病例选择，并发症发生率可能保持在较低水平，从而掩盖了手术中的潜在技术问题。第三，特别是在HPB手术中，肿瘤学充分性必须被视为一个重要领域，而在制定学习曲线时尚未被充分考虑。诸如R0切除率、淋巴结清扫和长期生存率等外科结果指标对于评估手术质量是必要的；然而，获取这些结果需要时间。因此，肿瘤学终点不太可能被纳入学习曲线。省略这些指标可能导致对学习过程的错误评估。第四个也是最难以量化的领域涉及术中决策和适应性，涉及外科医生应对任何意外情况、改变手术计划和处理术中并发症的能力。后一个维度在手术中起着至关重要的作用，但在现有模型中仍缺乏测量。该领域的进展不可能与技术效率相似，并且可能强烈依赖于经验、认知能力和先前接触复杂病例的经历。除了上述关键维度外，一个详尽的方法还应将病例复杂性作为一个关键的情境因素。难度评分系统允许对病例进行分类，并为表现测量提供背景。当根据病例复杂性进行调整时，学习曲线变得非常不同，结果的改善可能不仅是由于技能发展，也可能是由于病例选择。值得注意的是，外科学习发生在机构环境中，而非孤立于此。机器人辅助HPB手术涉及高度复杂性，需要高度协调的专业团队。诸如手术室结构、麻醉、护理技能和机构容量等变量在结果中扮演重要角色，因此可以解释改善并非源于个体外科医生的发展，而是集体学习的形式，这是传统外科学习模型无法解释的。在方法论方面，应用这种多维方法需要引入复合和纵向评估方法。阈值的识别被同时分析随时间推移的多个表现参数所取代。先进的统计方法，如风险调整或分层建模，可以帮助将这些参数纳入考量；然而，它们在文献中并不常用。基于这些考虑，提出一个整合技术、临床、肿瘤学、认知、复杂性相关、团队和机构领域的多维框架，以提供对机器人HPB手术学习的更全面评估。在此概念模型下，“学习曲线”的概念可以重新评估为更现实的视角，如“学习景观”，其中各个领域独立发展。效率的提升可能与临床结果或肿瘤学表现的可变性并存，一个领域的进步并不意味着在其他领域也成熟。这种概念化产生了对外科成长和发展的更现实理解，并可为培训和认证过程提供有价值的见解。利用多维模型的目的并非否定当前指标的实用性，而是寻求提供更丰富的背景，并将这些指标融入对外科学习的理解之中。

10. 拟议框架的实际实施

现有工具可以作为组件而非替代品服务于多领域评估：OSATS和GOALS评估一般技术表现，而GEARS则针对机器人技术技能。控制台衍生的运动和器械指标可能提供补充信息，但需要特定手术的验证，不应被视为临床安全性的替代指标。术中判断可通过盲法视频回顾决策点、对意外发现的反应的结构化评估、升级和中转决策以及由多名训练有素的评估员进行的记录汇报来进行评估。初步实施将使用按领域划分的仪表板，而不是单一的未经验证的加权总分。技术表现、患者安全、适合手术的肿瘤学质量、判断力和团队功能将各自接收预定义的可观察指标。安全关键事件应触发病例审查，无论总体评分是否有利；证据不足的领域应标记为“尚不可评估”，而非通过。“需要改进”的评定将触发有针对性的监督、模拟和重复评估。对于机器人HPB手术，尚无通用的权重、最低分数或及格/不及格阈值得到验证；这些规则是供前瞻性测试的提议，而非当前的认证标准。该框架的实际实施需要机构的承诺和相关利益相关者的积极参与，包括HPB外科医生、学员、麻醉师、手术室护士、机器人项目协调员、医院管理者、医学教育者以及机构质量和患者安全委员会。他们的参与有助于建立共同目标，商定有临床意义的指标，分配责任，并促进将评估视为专业发展而非惩罚的工具。一个多学科指导小组可以协调实施，监督评估员培训，并根据反馈定期审查框架。机构领导层的支持对于将其整合到培训路径、临床治理和质量改进项目中至关重要。充足的资源是另一个先决条件。实施需要受保护的评估时间、教师发展、模拟和指导机会、标准化数据系统以及用于存储和分析表现数据的安全基础设施。视频审查、评估员间校准、纵向监测和多学科反馈也需要财务和组织支持。这些要求在低容量中心可能更难满足。因此，应采取比例方法，优先考虑一组最少的临床相关指标，然后再增加更复杂的领域。机构间合作可以支持共享培训和共同的评估标准。务实的实施策略可包括三个阶段：初始利益相关者咨询、需求评估、资源映射以及就特定手术指标达成一致；试点实施，包括前瞻性数据收集、结构化反馈和多学科审查，但不立即产生认证后果；随后评估可行性、可接受性、评估员间信度、成本、行政负担以及与患者结局的关联。只有在经过前瞻性验证并证明可持续性之后，才应考虑更广泛的推广或正式的认证应用。

11. 对外科培训和认证的影响

认识到外科学是一门复杂且非线性的现象，这对机器人辅助HPB手术的外科培训项目和认证方案具有明确且不可避免的影响。事实上，将手术量作为能力的唯一替代指标的常见做法，鉴于上述技能习得的多样性、情境性和背景性，显得不够稳健。本质上，这是对外科培训中隐含假设的挑战，即经验可以简化为单纯的手术量。作为一个方便且易于量化的标准，手术量并未考虑病例之间在复杂性、术中决策和适应能力方面的质量差异。结局证据表明，完成相同数量手术的外科医生在并发症发生率和手术技能方面表现出显著差异，揭示了基于量的标准的判别不足。鉴于此，仅基于定量要求的认证体系将变得越来越危险，并存在正式认证与实际能力错位的风险。这种错位的影响超出了培训公平性问题；最重要的是，将对患者安全产生影响。这种概念重构可以促进向基于能力的外科培训模式转变，在该模式下，学生的进步基于其在多个能力维度上的表现。需要强调的是，这种方法并不否定使用定量测量的必要性；然而，它要求将它们纳入一个总体的评估系统。证据表明，客观测量允许对外科医生的技能进行更详细的评估，并且在微创手术中正获得有效性。然而，它们在外科实践中的纳入是异质性的，并且在机器人HPB手术中正在发展中。另一个影响是需要结构化的、基于熟练度的模拟训练。在多维框架中，模拟不再是过程的附加物，而是在处理临床情况之前获取技能并通过必要技术领域逐步前进的基本工具。模拟的有效性不仅限于重复，还在于在受控练习中接收反馈的能力，这种方法已被证明更有效。尽管如此，即使是复杂的模拟也无法复制真实手术的要求，因此必须整合到更广泛的培训过程中。同样重要的是对指导和辅导的重新评估。与监督手术的数量不同，指导和辅导必须是个性化的、基于能力的。IDEAL框架中提出的分阶段外科创新方法支持这种方法。它还考虑到了学习轨迹的多样性，需要个性化的关注。将病例复杂性纳入培训路径是又一个重要的进步。难度评级量表，尤其是在肝脏手术中，是区分手术级别和构建逐步自主路径的有效方法。基于对能力的多维理解，有必要强调在低复杂度手术中的成功并不意味着在高复杂度手术中也能成功。如果不纳入这样的量表，培训可能会出现过早推进或过长的监督阶段。在解释本叙述性综述中讨论的证据时，应考虑几个局限性。首先，关于机器人HPB手术学习曲线的文献主要由回顾性观察性研究组成，通常来自拥有大量先前微创经验的高容量单中心。这引入了选择偏倚，并限制了对低容量中心、新成立的项目以及具有不同培训背景的外科医生的普适性。缺乏同期对照以及围手术期实践随时间的变化，使得将改善的结果因果归因于手术经验变得复杂。发表和报告偏倚可能进一步低估了不成功的早期经验。其次，巨大的方法学异质性限制了研究之间的比较。终点、熟练度定义、统计方法和报告的病例数里程碑各不相同。手术时间、失血量、中转率和发病率不仅反映了外科医生的技能，还反映了患者选择、手术复杂性、麻醉和机构工作流程。传统的CUSUM转折点取决于参考值、病例顺序和样本特征，并不能建立经过验证的能力阈值。风险调整方法依赖于完整的协变量捕获和良好校准的模型。小队列和罕见的不良事件可能进一步产生不稳定的估计。第三，既往的开放和腹腔镜经验、对机器人系统的熟悉程度、双控制台接入、指导和团队经验等变量的测量不一致。渐进式选择更具挑战性的手术会造成时间依赖性混杂，而肝脏、胰腺和胆道手术之间的巨大差异限制了阈值的可迁移性。长期肿瘤学结果、术中判断、非技术技能和团队表现很少被一起评估。标准化、经过外部验证的机器人HPB特异性工具仍然有限。最后，本综述是叙述性的而非系统性的：其检索和选择过程并非旨在成为详尽、可重复的证据综合，也未进行正式的风险偏倚评估。一些教育和方法学证据来自其他外科专科，可能不直接适用于HPB手术。所提出的多维框架仍然是概念性的，尚未经过前瞻性验证。其可行性、可靠性、响应性、预测效度、最优领域权重、评估频率、资源需求和阈值尚不清楚。不应将其解释为经过验证的认证工具或优于现有方法的证明。需要进行前瞻性多中心评估。未来研究面临的另一个挑战是机器人手术技术的持续演进。不同平台、器械、成像模式和集成数字系统的日益普及可能影响能力的获取和评估。控制台人体工学、器械关节、可视化、反馈和工作流程的差异可能产生特定平台的学习轨迹，限制了阈值在不同系统间的可迁移性。软件和硬件升级也可能独立于积累的经验而改变表现。未来的研究应记录平台、软件版本、仪器和相关技术变革，以区分学习效应与技术相关效应。与此同时，新兴技术可能实现更客观、更精细的评估。人工智能、计算机视觉、自动手术阶段识别、器械运动跟踪和机器人生成的数据可以捕获临床注册库中未常规提供的技术和流程指标。AI辅助视频分析可能有助于描述手术步骤和与预期工作流程的偏差。然而，数据的可用性和可比性取决于平台能力、专有信息的访问权限、互操作性和一致的指标定义。自动化指标不得假定能在未针对有意义患者结局进行验证的情况下衡量临床能力。因此，未来的研究应审视技术驱动评估带来的机遇和复杂性。跨机器人平台的多中心研究应确定共享的表现领域，同时允许适当的特定技术指标。基于AI的工具需要在不同中心、病例复杂性和经验水平上进行外部验证，并注意算法偏差、可重复性、透明度、数据治理以及患者和专业人员隐私。纵向研究还应确定新技术是否在有经验的外科医生中创造了额外的适应阶段。技术变革应被视为动态的背景因素，而不仅仅是评估工具。

12. 证据与拟议模型的局限性

本叙述性综合是非系统性的，可能遗漏了相关研究。已发表的证据以选定的中心和异质性的学习定义为主，并且一些教育或团队合作参考文献来自非HPB专科。胜任力、熟练度和精通度是有用的概念区分，但在机器人HPB手术中没有普遍接受的操作阈值。这里介绍的多维框架尚未经过前瞻性验证，其领域权重仍未定义，并且尚未证明其优于传统认证。因此，对政策的启示应被解释为假设和研究重点。

13. 未来方向与研究议程

在迈向机器人HPB手术学习多维观点的过程中，存在一些关键缺陷需要解决，以弥合当前研究与研究成果实际应用之间的差距。尽管人们越来越认识到基于量的学习曲线的局限性，但显然仍然缺乏一套用于多维评估外科技能的标准工具集。未来研究最重要的方面之一是开发超越简单手术时间和病例量测量的多维绩效指标。未来的研究应侧重于开发评估工具，这些工具将包括对技术技能、术中决策过程、错误管理和结果的评估。这将允许更好地评估能力，并促进机构和培训方法之间的比较。这些指标应经过前瞻性验证并以结果为基础。未来的研究应前瞻性地评估跨机构、机器人平台和手术复杂性水平的多维、风险调整的评估框架。成功实施将需要利益相关者参与、充分的机构资源、标准化数据收集以及对不断发展的手术技术的考虑。在建立可行性、可靠性以及与有意义的临床结果的关联之前，这些框架应被视为有前景的概念方法，而非现有培训和认证标准的经过验证的替代方案。第三个重要课题是对学习曲线的纵向研究。目前，大多数可用文献包括回顾性研究和未考虑获取新技能所涉及的复杂性和非线性的统计模型。可以采用更先进的分析方法的前瞻性多中心研究，如混合效应模型和机器学习，来描述个体差异并检测学习过程的预测因子。病例复杂性和情境的影响也需要关注。尽管已经开发了一些评估复杂性的系统，但这些系统与学习框架的整合远未完成。未来的研究应侧重于研究复杂性对结果的影响，以及其与其他变量（如外科医生经验、团队合作等）的交互作用。这些数据对于设计安全高效的学习计划是必要的，尤其是在HPB手术等高危领域。此外，有必要将视角从个体专业知识评估扩展到团队学习和组织学习，以便更好地理解使用机器人设备进行手术所需的技能获取过程。在HPB机器人手术领域，多学科流程的协调起着重要作用。然而，大多数研究只关注外科医生，而不涉及团队方面。方法论标准化和协作的需求是另一个可以取得丰硕成果的研究领域。由于不同类型的研究使用各种测量方法，限制了结果的可比性和证据的收集。标准化术语和指标共识可以极大地促进这一过程。

14. 结论

总之，本综述强调了传统基于量的模型在捕捉机器人肝胆胰手术中学习曲线概念方面的不足。现有科学文献清楚地表明，外科学习现象是多方面的、非线性的且依赖于情境的，由技术和认知技能、病例复杂性以及医院环境之间的相互作用决定。从这个角度来看，手术量可以被视为一个不完善且可能具有误导性的能力指标，对培训和认证具有严重影响。从传统的基于量的手术表现衡量标准向综合的、基于能力的框架的转变似乎是一个有希望但尚未经过验证的方向。未来的工作应前瞻性地测试结构化的、客观的、对情境敏感的评估框架与有意义的临床结果之间的关系。在此类验证可用之前，多维评估应被视为一个有前景的提议，而非现有认证标准的经过验证的替代品。