Die Einführung roboterassistierter Chirurgie am Beispiel der benignen totalen Hysterektomie mit Salpingektomie: Lernkurven, Sicherheit und Erfahrungen eines tertiären operativen Zentrums

Zusammenfassung

Hintergrund

Die dynamische Entwicklung hin zur roboterassistierten Chirurgie betrifft insbesondere die operative Gynäkologie. Die Analyse von Operationsdaten roboterassistierter Eingriffe seit der ersten Anwendung an einem operativen Zentrum liefert wertvolle Erkenntnisse zur Einführungsphase und Integration des Da Vinci-Systems in den klinischen Routinebetrieb, sowie deren Auswirkungen auf die Patientenversorgung. Ziel dieser Arbeit war es, den Lernkurvenverlauf gezielt zu untersuchen und den Trend des Professionalisierungsprozesses bei der Implementierung der Methodik darzustellen. Schwerpunkt der Auswertung liegt dabei bei der häufigsten initialen Prozedur im Einführungsprozess: der benignen totalen Hysterektomie mit Salpingektomie.

Material und Methode

Retrospektive Datenanalyse der ersten n = 250 Patientinnen, die zwischen Februar 2020 und Juni 2022 von 5 verschiedenen Operateuren mit dem Da Vinci-Operationssystem am Universitätsklinikum Freiburg operiert wurden. Ausgewertet wurden klassische OP-Parameter wie Vorbereitungszeit, Schnitt-Naht-Zeit, Konsolenzeit und daraus resultierende Lernkurven der Operateure und des OP-Teams (inkl. CUSUM-Analyse). Zudem Erfassung perioperativer Patientinnencharakteristika (bspw. Blutverlust, Hospitalisationsdauer, Konversionsrate).

Ergebnisse

Die Mehrheit der Eingriffe (30%) erfolgte aufgrund eines Uterus myomatosus. Mit steigender Anzahl an durchgeführten Eingriffen konnten die OP-Zeiten deutlich reduziert werden: Die OP-Vorbereitungszeit reduziert sich innerhalb der ersten 30 Eingriffe von 28,1 ± 8,6 min auf 23,8 ± 7,2 min. Die Schnitt-Naht-Zeit bei Durchführung einer benignen totalen Hysterektomie mit Salpingektomie lag bei 94,0 ± 42,2 min und zeigt eine deutliche Abnahme innerhalb der ersten 20 Eingriffe. Die durchschnittliche Konsolenzeit lag bei 66,8 ± 36,1 min, wobei sich für die ersten 20 Eingriffe ein besonders deutlicher Abfall zeigt. Individuelle Lernkurven einzelner Operateure zeigen deutliche Abnahmen der Konsolenzeit, z. B. bei Operateur A Reduktion der durchschnittlichen Konsolenzeit innerhalb der ersten 10 Eingriffe von 70,5 ± 23,0 min auf 46,9 ± 13,5 min. Die Konversionsrate lag im Gesamtkollektiv bei 0,8%.

Diskussion

Bei Auswertung der ersten 250 Da Vinci-Operationen zeigte sich eine rasche Erlernbarkeit roboterassistierter Operationen. Die Konversionsrate ist mit 0,8% sehr niedrig. Ein positiver Effekt in der Lernkurve einzelner Operateure zeigt sich nach ca. 20 Eingriffen. Sowohl die Vorbereitungszeit als auch die Schnitt-Naht-Zeit konnten rasch gesenkt werden, sodass die Integration in den klinischen Routinebetrieb problemlos möglich war.

Schlüsselwörter

roboterassistierte Chirurgie - Da Vinci - Lernkurve - Konversionsrate - Konsolenzeit

• References/Literatur

• 1 Reich H, DeCaprio J, McGlynn F. Laparoscopic Hysterectomy. J Gynecol Surg 1989; 5: 213-216
• 2 Diaz-Arrastia C, Jurnalov C, Gomez G. et al. Laparoscopic hysterectomy using a computer-enhanced surgical robot. Surg Endosc 2002; 16: 1271-1273
• 3 Nezhat C, Lavie O, Hsu S. et al. Robotic-assisted laparoscopic myomectomy compared with standard laparoscopic myomectomy—a retrospective matched control study. Fertil Steril 2009; 91: 556-559
• 4 Orady ME, Hrynewych A, Nawfal AK. et al. Comparison of Robotic-Assisted Hysterectomy to Other Minimally Invasive Approaches. JSLS 2012; 16: 542-548
• 5 Paraiso MFR, Ridgeway B, Park AJ. et al. A randomized trial comparing conventional and robotically assisted total laparoscopic hysterectomy. Am J Obstet Gynecol 2013; 208: 368.e1-368.e7
• 6 Deimling TA, Eldridge JL, Riley KA. et al. Randomized controlled trial comparing operative times between standard and robot-assisted laparoscopic hysterectomy. Int J Gynaecol Obstet 2017; 136: 64-69
• 7 Shashoua AR, Gill D, Locher SR. Robotic-Assisted Total Laparoscopic Hysterectomy Versus Conventional Total Laparoscopic Hysterectomy. JSLS 2009; 13: 364-369
• 8 Sananès N, Garbin O, Hummel M. et al. Setting up robotic surgery in gynaecology: the experience of the Strasbourg teaching hospital. J Robot Surg 2011; 5: 133-136
• 9 Page ES. Continuous Inspection Schemes. Biometrika 1954; 41: 100-115
• 10 Lin PL, Zheng F, Shin M. et al. CUSUM learning curves: what they can and can’t tell us. Surg Endosc 2023; 37: 7991-7999
• 11 Lenihan JP, Kovanda C, Seshadri-Kreaden U. What is the Learning Curve for Robotic Assisted Gynecologic Surgery?. J Minim Invasive Gynecol 2008; 15: 589-594
• 12 Carbonnel M, Moawad GN, Tarazi MM. et al. Robotic Hysterectomy for Benign Indications: What Have We Learned from a Decade?. JSLS 2021; 25: e2020.00091
• 13 Rajanbabu A, Patel V, Anandita A. et al. An analysis of operating time over the years for robotic-assisted surgery in gynecology and gynecologic oncology. J Robot Surg 2021; 15: 215-219
• 14 Lin JF, Frey M, Huang JQ. Learning Curve Analysis of the First 100 Robotic-assisted Laparoscopic Hysterectomies Performed by a Single Surgeon. Int J Gynaecol Obstet 2013; 124: 88-91
• 15 Lee J, Kim S. Charting Proficiency: The Learning Curve in Robotic Hysterectomy for Large Uteri Exceeding 1000 g. J Clin Med 2024; 13: 4347
• 16 Favre A, Huberlant S, Carbonnel M. et al. Pedagogic Approach in the Surgical Learning: The First Period of “Assistant Surgeon” May Improve the Learning Curve for Laparoscopic Robotic-Assisted Hysterectomy. Front Surg 2016; 3: 58
• 17 Corrado G, Vizza E, Cela V. et al. Laparoscopic versus robotic hysterectomy in obese and extremely obese patients with endometrial cancer: A multi-institutional analysis. Eur J Surg Oncol 2018; 44: 1935-1941
• 18 Borse M, Godbole G, Kelkar D. et al. Early evaluation of a next- generation surgical system in robot-assisted total laparoscopic hysterectomy: A prospective clinical cohort study. Acta Obstet Gynecol Scand 2022; 101: 978-986
• 19 Lim PC, Crane JT, English EJ. et al. Multicenter analysis comparing robotic, open, laparoscopic, and vaginal hysterectomies performed by high-volume surgeons for benign indications. Int J Gynaecol Obstet 2016; 133: 359-364
• 20 Patzkowsky KE, As-Sanie S, Smorgick N. et al. Perioperative outcomes of robotic versus laparoscopic hysterectomy for benign disease. JSLS 2013; 17: 100-106
• 21 Lawrie TA, Liu H, Lu D. et al. Robot-assisted surgery in gynaecology. Cochrane Database Syst Rev 2019; (04) CD011422
• 22 Imran H, Shuja H, Abid M. et al. Robotic surgery: augmenting surgeons’ skills or replacing them?. IJS Global Health 2024; 7: e00515