Predicción multimodal basada en datos de la duración de la cirugía ginecológica

Área de la Ciencia:

• Inteligencia Artificial en Medicina
• Ciencia de Datos Quirúrgicos
• Aprendizaje Automático para la Atención Médica

Sus antecedentes:

• La predicción precisa de la duración de la cirugía ginecológica es crucial para la programación eficiente de los quirófanos y la asignación de recursos.
• Los textos de planificación quirúrgica no estructurados contienen información valiosa que puede aprovecharse para la modelización predictiva.
• Los métodos actuales pueden no utilizar plenamente los ricos datos de las notas quirúrgicas.

Objetivo del estudio:

• Desarrollar y validar un modelo de predicción para la duración de la cirugía ginecológica utilizando características extraídas de textos de planificación quirúrgica no estructurados.
• Integrar datos multimodales, incluidas características derivadas de texto, a través de la tecnología de inteligencia artificial (IA).
• Evaluar el impacto de las características derivadas de texto en la precisión de varios algoritmos de aprendizaje automático.

Principales métodos:

• Se recopilaron datos clínicos de 34.614 pacientes sometidos a cirugías ginecológicas.
• Se construyó un modelo de transformador de incrustación para convertir los textos de planificación quirúrgica en una 'característica de paso' numérica.
• Se evaluó el valor predictivo de la característica de paso utilizando múltiples algoritmos de regresión (por ejemplo, XGBoost, Random Forest) y se comparó el rendimiento con y sin la característica, utilizando métricas MAE, RMSE y R-cuadrado.

Principales resultados:

• La 'característica de paso' derivada de los textos quirúrgicos demostró la mayor contribución predictiva.
• El modelo eXtreme Gradient Boosting (XGBoost) que incorpora la característica de paso logró un rendimiento óptimo.
• La precisión de la predicción mejoró significativamente, con un aumento del 40,43 % en el R-cuadrado y reducciones en MAE y RMSE del 21,27 % y 20,13 %, respectivamente.

Conclusiones:

• El modelo de transformador de incrustación desarrollado extrae eficazmente características predictivas de los textos de planificación quirúrgica.
• La integración de estas características derivadas de texto mejora el rendimiento de los modelos de aprendizaje automático para la predicción de la duración de la cirugía.
• El modelo de predicción XGBoost puede respaldar una gestión refinada de las cirugías ginecológicas y mejorar la eficiencia de la utilización de los recursos quirúrgicos.