《Frontiers in Oncology》：The learning curve of robotic esophagectomy: a systematic review with a proposed training and competency assessment framework
背景：机器人辅助微创食管切除术（robotic-assisted minimally invasive esophagectomy, RAMIE）是食管癌手术领域的一项重大演进，其提供了更佳的可视化效果、灵活性与操作精准度。然而，RAMIE技术要求高且学习曲线陡峭。本系统综述旨在评估机器人食管切除术学习曲线的现有证据，并构建结构化的RAMIE培训与评估框架。方法：研究人员依据PRISMA 2020声明，在PubMed/MEDLINE、Scopus和Cochrane Library中进行了从建库至2026年6月的系统性文献检索。纳入评估成年患者机器人食管切除术学习曲线或实施过程的研究。结局指标包括熟练度阈值、手术时间、喉返神经（recurrent laryngeal nerve, RLN）损伤、并发症、淋巴结清扫数目及影响学习进程的因素。采用纽卡斯尔-渥太华量表（Newcastle–Ottawa Scale, NOS）评估偏倚风险。结果：共纳入2013年至2026年间发表的25项研究。多数研究为来自东亚、欧洲和北美高手术量中心的回顾性观察性队列研究。学习曲线最常见的评估方法基于累积和（cumulative sum, CUSUM）分析。通常，各项研究中初始熟练度大约在20–50例后获得，但并发症的稳定化和肿瘤学质量的优化往往需要更高的手术量。术者经验的增加与手术时间、RLN损伤、淋巴结清扫数目、中转率及术后并发症的改善相关。既往微创食管切除术经验、结构化指导（proctoring）路径、高机构手术量及基于团队的实施模式可持续促进更快速的熟练度获得和更安全的RAMIE实施。结论：机器人食管切除术的学习曲线陡峭但可企及。结构化培训项目、专职机器人团队及标准化实施路径可能缩短学习曲线并提升患者安全。学习曲线进展似乎受到除手术量之外多种因素的影响，支持在RAMIE实施过程中开发结构化培训与评估框架。基于现有证据，研究人员提出一个循证专家框架，该框架应被视为假设生成性的，需进行前瞻性验证。需要开展前瞻性多中心研究并对学习曲线进行标准化报告，以优化机器人食管外科培训并建立普遍接受的熟练度阈值。系统综述注册：https://www.crd.york.ac.uk/PROSPERO/，标识号CRD420261417234。
**引言**
食管癌仍是全球重大健康问题。根据GLOBOCAN 2020数据，其是全球第七大常见癌症，每年新增约604,000例，同时是癌症相关死亡的第六大原因，每年约544,000例死亡。该病具有显著地理差异，东亚及东部和南部非洲发病率最高，且全球大多数病例和死亡发生在亚洲。
手术切除是局限性食管癌治愈性治疗的主要手段，通常作为包括新辅助化疗或放化疗在内的多模式治疗策略的一部分。开放食管切除术（open esophagectomy, OE）历来是标准手术方式，但近几十年来，微创入路已被越来越多的中心采纳。然而，由于OE的侵入性，其仍与相当高的围手术期发病率相关。微创食管切除术（minimally invasive esophagectomy, MIE）作为开放手术的替代方案已日益成熟，可能在维持肿瘤学结局的同时改善术后恢复。
近期，RAMIE作为微创食管外科的进一步迭代出现。机器人平台提供了多项技术优势，如三维可视化、更佳的人体工程学、震颤过滤、增强的术者自主性，以及具备更高灵活性的关节化器械，这些优势有助于复杂的解剖分离和淋巴结清扫。比较性研究表明，机器人食管切除术可能作为传统MIE的替代方案，有潜力在维持围手术期和肿瘤学结局的同时进一步提高手术精度。
尽管有这些优势，RAMIE仍是上消化道外科中技术要求最高的手术之一，且具有显著的学习曲线。多项研究尝试使用不同方法（包括CUSUM分析和连续队列比较）来定义学习曲线，但各研究报告的熟练度阈值差异显著。术者经验、机构手术量、手术技术和结局报告方面也存在显著异质性，这限制了可比性，并阻碍了标准化培训建议的制定。
因此，本系统综述旨在对机器人食管切除术学习曲线的现有证据进行全面评估，识别影响学习过程的因素，并为RAMIE提出标准化培训和学习曲线评估框架。
**方法**
**人群与PICO**
本系统综述纳入接受机器人食管切除术（包括RAMIE、机器人McKeown食管切除术、机器人Ivor Lewis食管切除术、混合机器人食管切除术和全机器人食管切除术）治疗良性或恶性食管疾病的成年患者。关注的干预措施是通过学习曲线评估方法（如CUSUM、风险校正CUSUM（RA-CUSUM）、观察-预期CUSUM（O-E CUSUM）、回归分析、连续队列分析或比较阶段分析）评估的机器人食管外科的实施与学习曲线。比较了早期和晚期学习阶段、熟练度获得阶段、机器人与胸腔镜微创食管切除术学习曲线，以及结构化与非结构化实施路径。关注的结局包括达到熟练所需的病例数、手术时间、喉返神经（RLN）损伤、并发症、淋巴结清扫数目、中转率、失血量、住院时间、教科书式结局、肿瘤学质量指标，以及影响学习曲线的因素，包括既往微创经验、机构手术量、结构化培训路径和团队实施模式。
**纳入与排除标准**
纳入标准为：评估成年患者机器人食管切除术的学习曲线、实施、技能获得或技术演进，并报告可量化的学习相关结局（包括熟练病例数、手术时间、并发症、RLN损伤、淋巴结清扫数目、中转率或围手术期结局）的研究。纳入设计类型包括回顾性、前瞻性、比较性队列研究以及机构实施研究，涵盖RAMIE、机器人McKeown、机器人Ivor Lewis、混合机器人食管切除术和全机器人食管切除术。排除标准为：综述、社论、评论、会议摘要、信件、无结局数据的技术说明、动物或尸体研究、仅模拟研究、儿科研究，以及未专门评估机器人食管切除术学习曲线的研究。仅研究开放或传统微创食管切除术而未涉及机器人手术，或未报告可提取学习曲线数据的研究也被排除。仅纳入英文发表的研究，检索年份不限。
**系统检索**
在PubMed/MEDLINE、Scopus和Cochrane Library中进行了从建库至2026年6月1日的系统性文献检索。检索词包括"robotic esophagectomy"、"RAMIE"、"robot-assisted minimally invasive esophagectomy"、"Ivor Lewis"、"McKeown"、"learning curve"、"CUSUM"、"proficiency"和"implementation"等组合及布尔运算符。同时筛查纳入研究的参考文献列表以获取潜在合格文献。两名独立评审者手动去除重复文献。
**数据提取**
使用预设表格提取研究特征、学习曲线进展及影响熟练度获得的因素。提取变量包括作者、年份、国家、研究设计、样本量、机器人手术类型、学习曲线评估方法及达到熟练所需病例数。其他学习曲线变量包括早期和熟练阶段、学习阶段数量、主要熟练度指标、手术时间、喉返神经（RLN）损伤、淋巴结清扫数目、并发症及主要研究发现。此外，开发了一个新的提取框架以评估可能影响学习曲线进展的因素，如既往微创食管切除术经验、结构化培训或指导路径、机构手术量以及单术者与团队实施模式。
**研究筛选流程**
两名评审者独立筛选文献检索产生的标题和摘要以确定潜在符合条件的研究。随后对潜在相关研究的全文进行独立评估，依据预设的纳入和排除标准。筛选分歧通过讨论和共识解决。
**学习曲线结局定义**
学习曲线结局根据各研究特定的阈值进行分类，基于验证过的学习曲线评估方法（如CUSUM、RA-CUSUM、O-E CUSUM、回归分析和连续阶段分析）。"熟练度"通常定义为手术表现、效率或围手术期结局趋于平台期的节点。"稳定化"定义为初始学习阶段后手术结局的持续改善和一致性。"优化阶段"用于描述后期经验中手术效率、并发症减少和肿瘤学质量的进一步精细化。
**偏倚风险评估**
纳入的非随机研究的方法学质量使用纽卡斯尔-渥太华量表（NOS）进行评估。NOS评估研究组选择、队列可比性和结局评估三个主要领域。各领域授予星星，星星越多表示偏倚风险越低、方法学质量越高。质量评估由两名评审者独立进行，分歧通过共识解决。
NOS显示总体方法学质量为中等至较高，但该量表并不专门评估外科学习曲线研究特有的偏倚。在学习曲线方法学方面存在相当大的异质性，包括CUSUM实施、RA-CUSUM或O-E CUSUM的使用、主要终点选择、熟练度定义以及定义学习阶段的阈值。多数研究为单术者、回顾性队列，缺乏外部验证，因此结果可能受术者效应、机构实践模式和拐点任意选择的影响。因此，报告的学习曲线阈值（从约20例到200例以上）应视为依赖具体情境的估计值，而非普遍适用的基准。
**结果**
**检索结果**
数据库检索共识别260项研究。去除重复后，167项研究按标题和摘要进行筛选，47项研究进入全文评估。全文审查后排除22项研究。其中12项仅研究胸腔镜或开放食管切除术，4项为综述、社论或评论，3项未进行正式学习曲线分析，3项无可提取的学习曲线或围手术期结局数据。最终纳入25项研究。
**研究特征与熟练度阈值**
共纳入25项研究，发表于2013年至2026年间。多数研究来自东亚（尤其是中国、日本和韩国），反映了高手术量亚洲中心对机器人食管外科的快速采用。其他研究来自美国、欧洲、台湾地区和澳大利亚。多数为回顾性观察性研究，少数采用前瞻性数据库设计。
早期经验显示，在RAMIE的早期采用阶段学习曲线相对较短。Hernandez等和Park SY等报告早期技术熟练度约需20例。Sarkaria等提出RAMIE的学习曲线为30–45例，考虑到手术复杂性的增加和肿瘤学技术的精细化。
大多数近期研究采用基于累积和（CUSUM）的方法评估学习曲线。不同研究的熟练度阈值差异显著，取决于手术入路、术者经验、机构手术量和所选绩效指标。机器人McKeown食管切除术的学习曲线在26–27例后达到平台期，但较大规模的机构研究描述了更长的适应期。Yang等报告克服初始学习曲线约需40例，达到稳定手术质量需近80例。Duan等同样展示了超过240例的多步骤长期学习过程。
手术类型也影响学习时间。机器人Ivor Lewis食管切除术的学习曲线低于McKeown手术（18例对23例），提示McKeown食管切除术因颈部吻合和广泛的上纵隔解剖而技术复杂性更高。相反，Han等使用风险校正CUSUM分析报告机器人Ivor Lewis食管切除术学习曲线长达51例，强调了并发症校正质量指标的影响。
比较性研究也显示机器人与胸腔镜入路在实施上的差异。Chao等报告机器人学习曲线相对较短（12例），而Duan等表明RAMIE达到稳定熟练度约需43例。
结构化实施路径显著缩短学习曲线。van der Sluis等显示，接受正式机器人培训项目的术者在24例后达到熟练，而初始指导者估计需70例。Kingma等同样使用标准化培训路径在22例中位数后实现了RAMIE的安全实施。
大手术量机构研究显示，手术精熟超出初始技术适应范畴。Jeon等报告初始学习曲线约50例，长期稳定结果在约150例后获得。Müller等报告不同熟练度阈值从38例到83例不等，取决于所评估的结局参数。更近期的研究表明累积机构经验和技术演进可能缩短学习曲线，Sugase等在全RAMIE实施中报告仅18例后即达到熟练。
总体而言，多数研究表明机器人食管切除术的初始熟练度约需20–50例，而优化肿瘤学质量、并发症率和长期结局可能需要更高的手术量。然而，报告熟练度阈值的显著变异性凸显了手术复杂性、术者背景、培训路径和机构经验对学习曲线进展的影响。
**机器人食管切除术熟练度获得模式**
机器人食管切除术的学习曲线似乎是一个动态的多阶段过程，伴随手术效率、并发症减少、肿瘤学质量和技术标准化的逐步改善。
早期研究主要报告手术时间和围手术期结局。Hernandez等描述了前20例机器人食管胃切除术后手术效率的显著改善，Park SY等发现前20例后声带麻痹减少。Sarkaria等将前30–45例视为主要适应阶段，并强调手术标准化和专职机器人团队的重要性。
多项研究表明机器人食管切除术的学习曲线比传统两阶段模型更复杂。Park等使用观察-预期CUSUM分析报告了约30、60和80例处的多个拐点。Yang等描述了三个阶段进展：初始学习阶段、平台期阶段和200例后的最终优化阶段。Jeon等和Duan等也发现了类似结果，喉返神经（RLN）损伤、术后并发症和手术一致性的改善持续至早期技术熟练度之后很久。重要的是，学习曲线因所选结局参数而异。Müller等显示手术时间、并发症和其他围手术期结局存在不同的熟练度截断值，表明机器人食管外科是多维度的。
此外，多项研究仅聚焦RLN解剖，这是机器人食管切除术中最具技术挑战性的部分之一。Chao等显示大量既往胸腔镜经验可缩短RLN学习曲线。Duan等报告约43例后RLN淋巴结获取改善且RLN损伤率降低。Hsieh等也展示了显著的术者间变异性，既往胸腔镜经验显著影响学习时间。
技术标准化似乎也使学习更平顺。如Noshiro等所展示的，常规使用额外机械臂改善了暴露并加速了机器人McKeown食管切除术的适应。类似地，Sun等报告约20例后即在上纵隔淋巴结解剖中达到早期熟练。
近期研究强调了技术创新和手术转换的影响。Zhuo等表明尽管有既往机器人经验，从McKeown RAMIE转向机器人Ivor Lewis食管切除术仍产生了第二条学习曲线。Sugase等报告在全RAMIE实施中腹腔阶段的快速获得，而Sato等展示了机器人平台间转换中的渐进改善，提示机器人手术技能的可转移性。
后续研究更频繁地评估高级质量指标，而非仅手术效率。Han等使用风险校正CUSUM分析发现主要并发症约51例后稳定，而Ramos-Fresnedo等在55例机器人Ivor Lewis手术后达到熟练。Jorek等也表明，尽管早期实施期间并发症率持续较高，教科书式结局仍可在学习曲线期间实现。
总体而言，现有证据表明机器人食管切除术熟练度通过多个重叠阶段发展，不同绩效指标的表现各异。
**影响学习曲线的因素**
多项因素与机器人食管切除术学习曲线的长度和发展一致相关，包括既往微创食管切除术（MIE）经验、结构化培训路径、机构手术量和团队实施模式。
既往胸腔镜或MIE经验是加速熟练度获得的最强预测因素之一。Chao等和Hsieh等证明既往胸腔镜专业知识显著缩短了RLN解剖的学习曲线。Yuan等进一步强调了多模式准备的重要性，包括临床实施前的开放手术、胸腔镜腹腔镜手术和动物机器人培训。
正式指导路径和结构化培训也显著缩短了学习时长。Sarkaria等强调标准化RAMIE技术和专职手术室团队的必要性。van der Sluis等得出结论，通过正式机器人路径培训的术者比初始指导术者显著更快达到熟练。Kingma等也报告了类似发现，通过量身定制的结构化培训项目，约22例后即可实现安全实施。
机构手术量是熟练度的另一主要驱动因素。多数结局良好且学习曲线较短的研究来自高手术量食管外科中心。高手术量项目可能受益于标准化围手术期路径、专职多学科支持和持续的技术精细化。Jeon等、Duan等和Hauge等均强调了机构经验对实现稳定长期结果的重要性。
机器人项目的组织方式也随时间演变。早期研究描述了单术者学习模式，但近期研究更多关注基于团队和机构的实施策略。专职团队结构在复杂机器人食管切除术项目中尤为重要，可实现知识转移、优化工作流程和标准化流程。
综上所述，现有证据表明学习曲线进展不仅受个体术者经验影响，还受结构化培训、机构专业知识和实施机器人食管切除术的更广泛组织框架影响。
**偏倚风险评估**
纳入研究的总体方法学质量为中至较高。多数研究是来自高手术量中心、具有明确患者人群和标准化机器人食管切除术路径的回顾性观察性队列。部分研究因结构化实施方案、适当的结局评估和充分随访而获得较高的NOS评分。然而，多项研究仍存在中等偏倚风险，原因在于回顾性单中心研究设计、缺乏对比较组的调整、缺乏盲法或结构化结局评估，以及选择方法和混杂因素控制报告不足。未识别到随机对照试验。因此，本综述的发现应在主要来自高手术量机构、且学习曲线评估方法各异的回顾性证据背景下进行解读。
**讨论**
本系统综述表明，机器人食管切除术的学习曲线陡峭但可企及，多数研究显示熟练度在约20至80例后获得，具体取决于所测结局和分析方法。手术时间、淋巴结获取率、中转率、RLN损伤和术后并发症的改善与术者经验增加相关。高手术量中心、既往微创食管切除术经验、结构化培训路径和专职机器人团队似乎促进了更快速的熟练度获得和RAMIE的安全实施。
关键问题在于RAMIE学习曲线与传统微创食管切除术学习曲线的比较。胸腔镜解剖（尤其是喉返神经和上纵隔附近）和胸腔镜吻合可能因刚性器械、有限关节活动和欠佳的人体工程学而更具技术挑战性。机器人平台可通过3D可视化、震颤过滤和关节化器械克服部分技术限制。然而，本综述显示既往常规微创食管切除术经验仍是RAMIE熟练度的重要促进因素。因此，机器人技术并不替代高级食管外科经验，但可使已具备胸腔镜和微创技能的术者将其解剖知识、手术顺序、并发症避免和团队协调能力转移至机器人平台。相反，既往在较简单手术中拥有机器人经验的术者可能更快掌握操控台控制和器械操作，但仍需获得食管游离、淋巴结清扫、管胃制备、吻合和围手术期管理等方面的手术特异性专业知识。因此，RAMIE的学习曲线应被视为机器人平台经验和既往复杂食管外科经验的函数，而非孤立的手术量阈值。
既往综述曾尝试系统评估RAMIE的学习曲线。与Prasad等的系统综述（其合并了胸腔镜、混合和微创食管切除术，而非单一同质程序性综述）相比，本综述提供了更有针对性且更新的RAMIE学习曲线评估。Prasad等主要综述了通用MIE学习曲线，报告了以手术时间为基准的广泛熟练度范围。本综述纳入了更当代的高手术量机器人研究，采用了如O-E CUSUM、RA-CUSUM和多阶段学习模型等先进方法。本综述还考察了与RLN解剖、机器人平台间技术变化、结构化培训路径和教科书式结局相关的手术特异性因素，从而对机器人食管切除术熟练度的多维性和演变性提供了更细致入微的理解。总体而言，研究结果与Prasad等一致，确认机器人食管切除术学习曲线高度可变且取决于所选结局指标。然而，本综述纳入了更多近期的RAMIE特异性研究，并证明熟练度通常是超越手术效率的动态多阶段过程，包含RLN结局、教科书式结局和技术标准化。此外，研究结果与Pickering等基本一致。两项研究均显示RAMIE学习曲线长度存在显著变异性，并强调了采用期间结构化培训和指导的重要性。本综述还纳入了更新的研究，并对多阶段学习模型、RLN特异性学习曲线、技术转换和先进质量指标（如教科书式结局和风险校正并发症分析）进行了更全面的评估，凸显了机器人食管切除术熟练度的演变性和多维性。
本综述的主要优势在于对来自多机构、多国家和多种机器人技术的学习曲线结局进行全面评估，并考察了影响熟练度的因素，如既往经验、指导和中心手术量。此外，综述聚焦于临床有意义的围手术期和肿瘤学结局，而非仅手术时间。然而，多数纳入研究为回顾性且来自高手术量中心，可能引入选择偏倚并限制普适性。学习曲线定义、结局报告和分析方法存在显著异质性，无法进行定量荟萃分析。此外，许多研究为单术者经验，长期肿瘤学随访有限。因此，报告的熟练度阈值应谨慎解读，可能无法直接跨机构或培训环境转移。部分研究由同一高手术量机构开展，尤其是中国天津团队和韩国/台湾合作中心，这可能表明研究RAMIE学习曲线不同方面（尤其是RLN解剖）的队列之间存在部分患者重叠。尽管这些研究解决了不同研究问题和结局指标，但重叠患者重复纳入的可能性无法完全排除，可能对定性综合产生不成比例的影响。检索策略也是综述的方法学局限。仅纳入英文发表的研究，可能引入语言偏倚。此外，未检索Embase。多数纳入研究来自东亚，因此排除Embase可能导致忽略了未收录于PubMed或Scopus的相关区域出版物。因此，现有证据可能无法代表全球RAMIE实施经验。这些局限性反映了机器人外科领域证据的普遍现状。在许多外科专科中，文献主要为来自高手术量专家中心的回顾性观察性研究，学习曲线、患者选择标准、手术技术和结局的报告各异，从而限制了所报告熟练度阈值的外部有效性和普适性。
重要的是，现有证据表明机器人食管切除术的熟练度不能仅由手术例数定义。相反，学习曲线进展似乎受术者经验、手术复杂性、机构手术量、结构化培训路径和团队实施策略等因素共同影响。这些观察构成了拟议培训和评估框架的基础。
该框架是基于证据和现有文献叙述性综合的专家提议，而非正式制定的共识声明或经过验证的能力模型。其未使用正式共识方法学（如德尔菲法）制定，也未经过前瞻性临床验证。因此，应将其视为假设生成性的，在广泛实施前需要前瞻性多中心验证。
作者基于其更广泛的复杂微创和机器人手术经验认为，对于复杂机器人手术，分阶段实施方法比直接推进至全机器人手术更为合适。实际措施包括：既往开放和微创食管外科经验、模拟和干实验室培训、观察成熟机器人项目、手术标准化、初始病例期间的指导，以及使用一致的多学科手术室团队。早期病例的选择应倾向于技术上合适的患者，仅在手术步骤和团队工作流程可重复后逐步增加复杂病例。定期审计手术时间、中转率、喉返神经损伤、吻合口并发症、淋巴结获取率和其他质量结局可能有助于识别需要进一步培训的领域。这些观察是作者基于经验的反思性结论，不应被视为独立验证的证据。
随着机器人上消化道外科的日益普及，未来研究应致力于为机器人食管切除术学习曲线制定标准化定义和报告指南，以提高研究间的可比性。结构化培训路径可能实现RAMIE的安全实施。术者最好应具备既往开放和/或微创食管切除术经验，随后进行机器人模拟、干实验室、尸体培训和在前受指导的临床引入，配合标准化手术步骤和专职机器人团队。从部分机器人手术逐步过渡至全机器人食管切除术可进一步优化患者安全和技能获得。
需要进一步的前瞻性多中心研究和国际注册研究，以更好地定义跨机器人平台和手术技术的熟练度阈值。学习曲线评估应涵盖不同学习阶段：早期学习、熟练和精熟。评估应包括临床有意义的围手术期和肿瘤学结局，如并发症、喉返神经损伤、吻合口漏、淋巴结获取、中转率、R0切除和死亡率。使用CUSUM和风险校正CUSUM分析似乎是目前确定熟练度阈值最稳健的方法之一。
未来研究还应考察结构化培训模式、双操控台指导、基于模拟的教育和人工智能辅助手术指导，以优化机器人培训路径并最小化技术变异性。基于术者经验的长期肿瘤学、功能性、生活质量和成本效益结局也应在未来研究中评估。
**结论**
结果表明，机器人食管切除术可在经验丰富的中心和结构化培训项目背景下安全实施。标准化导师制、指导路径和专职机器人团队可能有助于缩短学习曲线并改善患者安全。既往微创食管切除术经验似乎也促进机器人技能获得。这些发现可能与复杂机器人食管外科向具备必要专业知识和基础设施的高手术量中心集中化趋势相一致。
