皮特RSDNet:预测内科手术内剩余手术持续时间在内镜下垂体手术

科学领域:

• 医学成像和人工智能 医学成像和人工智能
• 外科手术工作流程分析
• 在医疗保健中的预测建模.

背景情况:

• 准确的手术内剩余手术持续时间 (RSD) 预测对于麻醉管理和有效的手术室安排至关重要.
• 内镜下垂体手术对RSD预测提出了独特的挑战,原因是可变的工作流序列和可选的外科手术步骤.
• 现有的方法难以应对脑下垂体手术持续时间中固有的高变性.

研究的目的:

• 开发和评估一个新的时空神经网络模型,PitRSDNet,用于预测内镜下垂体手术中的剩余手术持续时间 (RSD).
• 通过整合工作流知识来提高RSD预测的准确性和效率.
• 通过更好的日程安排,增强患者护理并最大限度地降低外科手术室的成本.

主要方法:

• 开发PitRSDNet,一个利用历史手术数据的时空神经网络模型.
• 通过多任务学习 (同时预测手术步骤和RSD) 整合工作流知识.
• 将之前的外科手术步骤纳入时间学习和推理的上下文信息.

主要成果:

• 在PitRSDNet中,比传统的统计和机器学习方法有竞争性性能改进.
• 该模型在一个新的数据集上进行了训练和评估,其中包括88个内镜下垂体手术视频.
• 结果表明,PitRSDNet通过利用先前步骤信息,提高了RSD预测精度,特别是在异常情况下.

结论:

• PitRSDNet在预测内镜下垂体手术的剩余手术持续时间方面取得了重大进展.
• 该模型能够从工作流序列中学习并纳入先前步骤的能力提高了预测的准确性和可靠性.
• 这种方法有可能优化手术安排,改善患者护理,并降低医疗保健成本.