婦人科手術時間のマルチモーダルデータ駆動予測

科学分野:

• 医療における人工知能
• 手術データサイエンス
• ヘルスケアのための機械学習

背景:

• 婦人科手術時間の正確な予測は、効率的な手術室スケジューリングとリソース配分にとって非常に重要です。
• 構造化されていない手術計画テキストには、予測モデリングに活用できる貴重な情報が含まれています。
• 現在の方法では、手術記録内の豊富なデータを十分に活用していない可能性があります。

研究 の 目的:

• 構造化されていない手術計画テキストから抽出された特徴量を使用して、婦人科手術時間の予測モデルを開発および検証すること。
• 人工知能（AI）技術を使用して、テキスト由来の特徴量を含むマルチモーダルデータを統合すること。
• テキスト由来の特徴量が、さまざまな機械学習アルゴリズムの予測精度に与える影響を評価すること。

主な方法:

• 婦人科手術を受けた34,614人の患者から臨床データを収集しました。
• 手術計画テキストを数値的な「ステップ特徴量」に変換するために、埋め込みトランスフォーマーモデルを構築しました。
• 複数の回帰アルゴリズム（例：XGBoost、Random Forest）を使用してステップ特徴量の予測値を評価し、MAE、RMSE、R-squaredメトリックを使用して特徴量の有無によるパフォーマンスを比較しました。

主要な成果:

• 手術テキストから派生した「ステップ特徴量」が最も高い予測寄与を示しました。
• ステップ特徴量を取り込んだeXtreme Gradient Boosting (XGBoost) モデルが最適なパフォーマンスを達成しました。
• 予測精度は大幅に向上し、R-squaredは40.43%増加し、MAEとRMSEはそれぞれ21.27%、20.13%減少しました。

結論:

• 開発された埋め込みトランスフォーマーモデルは、手術計画テキストから予測特徴量を効果的に抽出します。
• これらのテキスト由来の特徴量を統合することで、手術時間予測のための機械学習モデルのパフォーマンスが向上します。
• XGBoost予測モデルは、婦人科手術の洗練された管理をサポートし、手術リソース利用の効率を向上させることができます。