Background: The association between symptom interpretation and prognosis has not been investigated well among patients with acute coronary syndrome (ACS). As such, the present study evaluated the effect of heart disease awareness among patients with ACS on in-hospital mortality.

Abstract Background The potential benefits of robotic-assisted compared with laparoscopic surgery for locally advanced cancer have not been sufficiently proven by prospective studies. One factor is speculated to be the lack of strict surgeon criteria. The aim of this study was to assess outcomes for robotic surgery in patients with locally advanced rectal cancer with strict surgeon experience criteria. Methods A criterion was set requiring surgeons to have performed more than 40 robotically assisted operations for rectal cancer. Between March 2020 and May 2022, patients with rectal cancer (distance from the anal verge of 12 cm or less, cT2–T4a, cN0–N3, cM0, or cT1–T4a, cN1–N3, cM0) were registered. The primary endpoint was the rate positive circumferential resection margin (CRM) from the pathological specimen. Secondary endpoints were surgical outcomes, pathological results, postoperative complications, and longterm outcomes. Results Of the 321 registered patients, 303 were analysed, excluding 18 that were ineligible. At diagnosis: stage I (n = 68), stage II (n = 84) and stage III (n = 151). Neoadjuvant therapy was used in 56 patients. There were no conversions to open surgery. The median console time to rectal resection was 170 min, and the median blood loss was 5 ml. Fourteen patients had a positive CRM (4.6%). Grade III-IV postoperative complications were observed in 13 patients (4.3%). Conclusion Robotic-assisted surgery is feasible for locally advanced rectal cancer when strict surgeon criteria are used.

Abstract Aim Lymph node metastasis is an adverse prognostic factor in pancreatic ductal adenocarcinoma. However, it remains a challenge to predict lymph node metastasis using preoperative imaging alone. We used machine learning (combining preoperative imaging findings, tumor markers, and clinical information) to create a novel prediction model for lymph node metastasis in resectable pancreatic ductal adenocarcinoma. Methods The data of patients with resectable pancreatic ductal adenocarcinoma who underwent surgery between September 1991 and October 2022 were retrospectively examined. Machine‐learning software (Statistical Package for the Social Sciences Modeler) was used to create a prediction model, and parameter tuning was performed to improve the model's accuracy. We also analyzed the contribution of each feature to prediction using individual conditional expectation and partial dependence plots. Results Of the 331 cases included in the study, 241 comprised the training cohort and 90 comprised the test cohort. After parameter tuning, the areas under the receiver operating characteristic curves for the training and test cohorts were 0.780 and 0.795, respectively. Individual conditional expectation and partial dependence plots showed that larger tumor size and carbohydrate antigen 19–9 and Duke pancreatic monoclonal antigen type 2 levels were associated with positive lymph node metastasis prediction in this model; neoadjuvant treatment was associated with negative lymph node metastasis prediction. Conclusion Machine learning may contribute to the creation of an effective predictive model of lymph node metastasis in pancreatic ductal adenocarcinoma. Prediction models using machine learning may contribute to the development of new treatment strategies in resectable pancreatic ductal adenocarcinoma.