CUSUM Analysis of the Initial Learning Curve for Robot-Assisted Gynecologic Surgery at a German Tertiary Center

Stellen Sie sich eine Welt vor, in der Chirurgen nicht nur ihre Hände benutzen, sondern einen hochmodernen, dreidimensionalen Videospiel-Controller steuern, der ihre Bewegungen in superpräzise Aktionen im Inneren des Körpers eines Patienten übersetzt. Dies ist die robotergestützte Chirurgie. Denken Sie daran wie beim Upgrade von einem Standardfahrrad auf ein Formel-1-Auto: Die Lenkung ist geschmeidiger, die Sicht ist kristallklar und die Maschine filtert jegliches minimales Zittern in den Händen des Fahrers heraus. Im Bereich der Gynäkologie wird diese Technologie eingesetzt, um komplexe Operationen durchzuführen, wie zum Beispiel die Entfernung der Gebärmutter (eine Hysterektomie), mit dem Ziel, die Erholung schneller und weniger schmerzhaft als bei einer traditionellen offenen Operation zu gestalten.

Aber hier ist der Haken: Selbst das beste Formel-1-Auto braucht einen Fahrer, der weiß, wie man es handhabt. Wenn ein Chirurg zum ersten Mal ein neues Robotersystem benutzt, befindet er sich in der „Lernkurve“. Dies ist die Zeit, in der der Chirurg die Steuerung erlernt, das Team lernt, die Maschine schnell einzurichten, und alle sich an den neuen Arbeitsablauf gewöhnen. Genau wie beim Lernen des Fahrradfahrens wackelt man am Anfang ein wenig, aber schließlich findet man sein Gleichgewicht und beginnt zu rasen. Die große Frage für Krankenhäuser ist: Wie oft muss ein Chirurg den Eingriff durchführen, bevor er aufhört zu wackeln und anfängt zu rasen? Wenn sie das herausfinden können, können sie sicherstellen, dass Patienten von Beginn an die bestmögliche Versorgung erhalten, selbst wenn die Operation schwierig ist.

---

Das große Robotik-Hysterektomie-Rennen

In einem geschäftigen Krankenhaus in Frankfurt am Main beschloss ein Ärzteteam, diese Lernkurve auf die Probe zu stellen. Sie wollten genau sehen, wie lange es eine einzelne Chirurgin bzw. ein einzelner Chirurg dauerte, gemeinsam mit einem brandneuen Roboter-Team die Kunst der robotergestützten Hysterektomie zu meistern. Sie haben nicht nur geraten; sie verwendeten ein kluges statistisches Werkzeug namens CUSUM-Analyse. Denken Sie an CUSUM wie an einen „Fortschrittsbalken“ in einem Videospiel. Anstatt nur ein Level nach dem anderen zu betrachten, verfolgt es den Gesamtscore über viele Level hinweg, um genau zu erkennen, wann der Spieler aufhört zu kämpfen und anfängt zu dominieren.

Das Team beobachtete die ersten 66 Patientinnen, die sich zwischen Januar 2022 und September 2023 dieser Operation unterzogen. Sie maßen drei Hauptfaktoren, um zu sehen, wie das Team vorankam:

1. Skin-to-closure time (Zeit von Hautschnitt bis Nahtschluss): Die Gesamtzeit vom ersten Schnitt bis zum letzten Stich.
2. Console time (Konsolente-Zeit): Die eigentliche Zeit, die der Chirurg an den Steuerungen des Roboters verbrachte.
3. Docking time (Docking-Zeit): Die Zeit, die benötigt wurde, um den Roboterkart zum Patienten zu rollen und alle Arme zu verbinden (ähnlich wie das Einstecken einer Spielekonsole).

Die große Entdeckung: Die „36-Fälle“-Magische Zahl
Der Fortschrittsbalken erzählte eine sehr klare Geschichte. Das Team fand einen deutlichen Wendepunkt nach dem 36. Fall. Vor diesem Punkt (Fälle 1–36) befand sich das Team in der „Lernphase“. Nach diesem Punkt (Fälle 37–66) hatten sie die „prozedurale Konsolidierung“ erreicht, was bedeutet, dass sie ihren Rhythmus gefunden hatten.

Die offensichtlichste Verbesserung war die gesamte Operationszeit. In den ersten 36 Fällen betrug die mediane Zeit vom Hautschnitt bis zum Verschluss 108 Minuten. Sobald sie die 36-Fall-Marke überschritten hatten, sank diese Zeit signifikant auf 85,5 Minuten. Das ist eine Ersparnis von über 20 Minuten pro Operation! Während die Zeit, die der Chirurg an der Konsole verbrachte, sowie die Zeit für das Docking des Roboters ebenfalls schneller wurden, waren diese Verbesserungen etwas subtiler und erreichten nicht ganz das Niveau der statistischen „Signifikanz“, nach der das Team suchte, obwohl der Trend definitiv positiv war.

Es ging nicht nur um Geschwindigkeit
Man könnte denken, dass schnelles Arbeiten bedeutet, Abkürzungen zu nehmen oder Risiken einzugehen, aber die Daten sagen etwas anderes. Das Team war überrascht festzustellen, dass die Patientinnen in der „Lernphase“ tatsächlich komplexere Fälle waren. Viele hatten eine Vorgeschichte von früheren Bauchoperationen, einige hatten Endometriose (eine schmerzhafte Erkrankung, bei der Gewebe dort wächst, wo es nicht hingehört), und einige hatten größere Gebärmütter oder einen höheren Body-Mass-Index (BMI). Tatsächlich hatten 80,3 % der Patientinnen bereits frühere Bauchoperationen hinter sich und 47 % litten an Endometriose.

Trotz dieser Herausforderungen blieb der „Sicherheitswert“ während des gesamten Lernprozesses absolut stabil.

• Komplikationen: Die Rate der Komplikationen nach der Operation (wie Infektionen) war niedrig und veränderte sich zwischen der frühen und der späten Phase nicht.
• Konversionen: Manchmal muss eine Roboteroperation in eine traditionelle offene Operation oder eine Standard-Laparoskopie umgewandelt werden. Dies geschah in 10,6 % der Fälle (7 von 66). Interessanterweise geschah dies meist nicht, weil der Roboter versagte, sondern weil die Ärzte eine große Gebärmutter fanden, die möglicherweise bösartig war und ohne zu zerbrechen, im Ganzen entfernt werden musste. Nur eine Konversion war auf Schwierigkeiten des Roboters mit starkem Narbengewebe (Adhäsionen) zurückzuführen.
• Schmerz und Aufenthalt: Die Patientinnen verspürten etwa gleich viel Schmerz und blieben für die gleiche Zeit im Krankenhaus, unabhängig davon, ob sie sich in der ersten oder zweiten Hälfte der Studie befanden.

Der Team-Effekt
Eine der spannendsten Erkenntnisse war, dass die Lernkurve nicht nur von den Händen des Chirurgen abhing. Die „Docking-Zeit“ (das Einrichten des Roboters) verbesserte sich, als das gesamte Team – Pflegekräfte, Assistenten und Chirurg – lernte, besser zusammenzuarbeiten. Die Daten zeigten, dass die Setup-Zeit um den 28. Fall ihren Höhepunkt erreichte und dann zu sinken begann, was darauf hindeutet, dass das Team lernen musste, sich ebenso gut zu koordinieren, wie der Chirurg die Steuerung erlernen musste.

Was das bedeutet
Die Arbeit kommt zu dem Schluss, dass die robotergestützte Chirurgie auch bei komplexen Fällen sicher eingeführt werden kann, sofern es einen strukturierten Plan gibt. Der Chirurg und das Team mussten nicht warten, bis sie „Experten“ waren, um Patienten helfen zu können; sie mussten lediglich diese ersten 36 Fälle bewältigen, um ihren Rhythmus zu finden. Danach wurden die Operationen merklich schneller, ohne die Sicherheit zu gefährden.

Wenn Sie also das nächste Mal von einer neuen medizinischen Technologie hören, denken Sie an die Geschichte der 66 Patientinnen und die magische Zahl 36. Es ist eine Erinnerung daran, dass mit Übung, Teamarbeit und ein wenig Geduld selbst die hochtechnisierten Werkzeuge zur Routine werden können, was letztlich zu einer besseren und schnelleren Versorgung für alle führt.