使用机器学习模型预测代谢和减肥手术的操作时间:一项回顾性观察性研究

科学领域:

• 外科信息学外科信息学
• 医疗保健中的机器学习
• 腹部外科手术的结果

背景情况:

• 准确预测手术时间对于高效的手术室管理和手术安排至关重要.
• 代谢和减肥手术 (MBS) 程序具有可变的操作时间,需要预测工具.
• 预测MBS运行时间的现有方法可能缺乏精度.

研究的目的:

• 开发和比较机器学习 (ML) 模型,用于预测代谢和减肥手术 (MBS) 中的操作时间.
• 确定影响MBS运营时间的关键因素.
• 为此预测任务评估各种ML算法的性能.

主要方法:

• 利用了代谢和腹部外科认证和质量改进计划数据库 (2016-2020).
• 开发和比较多个ML模型:线性回归,随机森林,支向量机,梯度增强树和XGBoost.
• 通过平均绝对误差,根平均平方误差和R平方得分来评估模型性能;通过Shapley添加式扩展确定了重要的变量.

主要成果:

• XGBoost 模型在预测运行时间方面表现出卓越的表现,以最低的根平均平方误差和最高的R平方得分为证据.
• 袖子胃切除术和腹腔镜疗法与Roux-en-Y胃绕道和机器人辅助疗法相比,分别与更短的手术时间有关.
• 手术类型和手术方法成为手术时间的最重要的预测因素.

结论:

• 在评估的ML模型中,XGBoost模型提供了最准确的代谢和减肥手术操作时间预测.
• 这些预测能力可以增强手术室安排,并为MBS的临床软件工具的开发提供信息.
• 这些发现凸显了ML在减肥手术中优化手术工作流程和资源配置方面的潜力.