一个机器学习预测模型用于肩膀关节整形手术的总持续时间:对外科医生,患者和肩膀特定因素的评估
Jay M Levin1, Hamed Zaribafzadeh2, Tom R Doyle1
1Department of Orthopaedic Surgery, Duke University, Durham, NC, USA.
Journal of shoulder and elbow surgery
|December 24, 2024
概括
机器学习模型准确地预测了肩膀关节整形术 (TSA) 总持续时间,超过了人类调度器. 整合这些模型可以优化手术室的效率并改善患者的护理.
科学领域:
- 整形外科手术 整形外科手术
- 医疗保健中的机器学习
- 优化外科手术工作流程的优化
背景情况:
- 操作室的效率对于调度,成本管理和满足关节整形术的高需求至关重要.
- 精确预测全肩关节整形手术 (TSA) 过程持续时间对于优化外科手术工作流程至关重要.
研究的目的:
- 开发一个机器学习 (ML) 预测模型,用于TSA程序的持续时间.
- 确定影响长期运输安全程序的关键因素.
主要方法:
- 一个大型学术机构对TSA程序 (2013-2021) 的回顾性审查.
- 开发两种渐变增强决策树回归模型 (M1:患者,外科医生,麻醉因子;M2:M1因子+肩部特异性因子).
- 将ML模型的预测与人类调度器和电子健康记录进行比较.
主要成果:
- ML模型M2在预测TSA持续时间方面实现了82.5%的准确性,明显超过了人类调度器 (64.1%).
- 与反向TSA (78.1%) 相比,M2模型对解剖TSA (90.6%) 的准确性更高.
- 术程持续时间的关键预测因素包括历史中位数持续时间,EHR预测,外科医生预测,患者年龄和指示 (创伤与非创伤).
结论:
- 与传统方法相比,机器学习模型显著提高了TSA程序持续时间预测的准确性.
- 一个综合模型包含一般和肩部特定数据,提供最精确的预测.
- 实施基于ML的日程安排有可能优化手术室利用率和整体效率.
