机器学习用于预测程序案例持续时间,使用大型多中心数据库开发:算法开发和验证研究

科学领域:

• 医疗保健 运营 研究 研究 研究
• 医疗信息学 医疗信息学
• 机器学习在医学中的应用

背景情况:

• 准确的手术病例持续时间预测对于术后资源管理和患者沟通至关重要.
• 目前的估计方法往往不足,影响运营效率.
• 机器学习为提高程序持续时间预测提供了一个有希望的途径.

研究的目的:

• 评估可扩展机器学习算法的有效性,以预测外科病例持续时间.
• 为了确定预测是否可以在多个机构之间在可接受的容忍限度内实现.
• 通过改进持续时间预测,优化手术室资源配置.

主要方法:

• 开发和比较深度学习,梯度增强和整体机器学习模型.
• 利用来自三个不同的时间点的术后数据:安排,患者到达和手术开始.
• 使用平均绝对误差 (MAE) 和实际持续时间20%内的预测比例来评估性能,与线性回归基线相比.

主要成果:

• 梯度增强机器模型表现出卓越的性能,MAE为34分钟,46%的预测在实际持续时间的20%内.
• 这比基线线性回归模型 (MAE 43分钟,39%在20%范围内) 显著改进.
• 关键的预测特征包括外科医生的历史手术持续时间,手术文本中的特定关键词,以及一天中的时间.

结论:

• 非线性机器学习模型可以生成非常准确,自动化和可解释的程序持续时间预测.
• 这些模型在不同的医疗保健环境中提供了可扩展性.
• 实施可以提高手术环境中的运营效率和资源管理.