利用机器学习模型更准确地预测一次性全关节关节整形术中的病例持续时间

科学领域:

• 整形外科手术 整形外科手术
• 数据科学数据科学数据科学
• 医疗信息学 医疗信息学

背景情况:

• 准确的手术室安排对于资源分配至关重要.
• 预测全关节整形术 (THA) 和全膝关节整形术 (TKA) 的外科病例持续时间对于高效的手术室利用至关重要.

研究的目的:

• 实施和评估用于预测初级THA和TKA病例时间的机器学习 (ML) 模型.
• 将ML模型的准确性与传统调度方法进行比较.

主要方法:

• 追溯分析了10,590个THA和12,179个TKA (2017年7月至2022年12月).
• 开发和比较四个ML算法:线性回归,随机森林,XGBoost和可解释的增强机.
• 基于在15分钟块中减少"不足预订" (等待时间) 和"超额预订" (超额时间) 的模型性能评估.

主要成果:

• XGBoost模型在TKA和THA病例时间方面都表现出卓越的预测准确性.
• ML模型显著降低了TKA"超额时间块"的85%和"等待时间块"的96.
• ML模型显著减少了134个THA"等待时间区块",改善了TKA的181个区块和THA的138个区块的整体操作预订.

结论:

• 机器学习模型在安排关节整形术病例时明显优于传统方法.
• 前30个手术病例的中位持续时间是准确安排时间的最关键因素.
• 建议在外科病例安排中使用ML,因为模型继续进步,以往病例数据作为可行的替代方案.