改善手术前预测手术持续时间

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的人工智能
• 运营研究 运营研究

背景情况:

• 手术室 (OR) 的低效率导致了巨大的财务损失,员工不满,并扰乱了患者的护理.
• 准确的运行持续时间估计对于提高OR效率至关重要.
• 目前用于估计手术持续时间的方法,例如外科医生估计或平均几例过去的病例,缺乏精度.

研究的目的:

• 开发和评估机器学习 (ML) 方法,以更准确地预测操作持续时间.
• 提供一种可靠的替代方案,以当前,不那么精确的方法估计手术的长度,特别是当外科医生估计是不可用的.

主要方法:

• 在澳大利亚一家主要医院使用了四年多的选择性手术记录 (n=52,171).
• 开发和训练使用个体患者特征和历史手术数据的预测模型.
• 对比了各种ML算法,包括极端梯度提升 (XGBoost) 和随机森林 (RF),用于操作持续时间预测.

主要成果:

• 与其他ML模型相比,XGBoost模型显示了预测误差在统计学上显著减少.
• 与现有的医院方法相比,XGBoost模型的绝对误差总量减少了6854分钟 (约114小时).
• 开发的ML方法提供了更准确的操作持续时间预测.

结论:

• ML方法显示了与当前医院实践相比,在改善操作持续时间估计的准确性方面有很大的潜力.
• 建议的ML方法可以在手术室调度阶段使用易于使用的功能来部署.
• 使用ML准确预测操作持续时间,可以提高手术室效率和资源管理.