Лапароскопическая и роботизированная трансабдоминальная адреналэктомия: сравнительный анализ и кривая обучения
Введение
Лапароскопическая трансабдоминальная и ретроперитонеальная адреналэктомия являются стандартными методами лечения опухолей надпочечников, однако преимущества роботизированной адреналэктомии (RA) остаются не до конца изученными. В данном исследовании оценивались затраты (включая расходные материалы), клинические исходы, а также кривая обучения при выполнении роботизированной и лапароскопической адреналэктомии (LA) в специализированном центре.
Цель
Сравнить эффективность, безопасность и экономическую целесообразность RA и LA, а также проанализировать кривую обучения для RA.
Методы
В ретроспективном анализе проспективной базы данных (этическое одобрение № 88/11) 263 случая LA были сопоставлены с 27 случаями RA за период с 2018 по 2023 год. Для исключения возможных искажающих факторов использовался анализ соответствия по шкале склонности (propensity score match). Также исследовалась кривая обучения для RA.
Результаты
Колебания артериального давления (RR > 160 мм рт. ст. или < 90 мм рт. ст.), ранние осложнения (в течение 30 дней) и интраоперационная кровопотеря были сопоставимы в обеих группах. Однако продолжительность госпитализации была меньше после RA (3.50 ± 1.81 дня против 4.61 ± 2.75 дня; p = 0.04). Благодаря этому общие затраты на RA оказались ниже, несмотря на более высокую стоимость расходных материалов в роботизированной группе. Анализ кривой обучения показал, что для RA она завершается после 5–6 процедур.
Выводы
Результаты исследования подтверждают, что RA так же безопасна и выполнима, как LA. Кроме того, она может иметь преимущества за счет сокращения сроков госпитализации, короткой кривой обучения и сопоставимых затрат по сравнению с LA.
Термины и сокращения
- LA (Laparoscopic Adrenalectomy) – лапароскопическая адреналэктомия.
- RA (Robotic Adrenalectomy) – роботизированная адреналэктомия.
- RR (Riva Rocci) – измерение артериального давления.
- Propensity score match – метод статистического анализа для минимизации систематической ошибки.