使用机器学习方法开发外科病例持续时间的预测模型
Jung-Bin Park1, Gyun-Ho Roh2, Kwangsoo Kim3,4
1Department of Anesthesiology and Pain Medicine, Seoul National University Hospital, Seoul National University College of Medicine, Seoul, Republic of Korea.
Journal of medical systems
|January 14, 2025
概括
部门特定的随机森林模型显著改善了外科病例持续时间的预测. 这种数据驱动的方法通过根据独特的部门数据量身定制预测来提高手术室利用率和医院效率.
科学领域:
- 医疗保健管理的管理
- 机器学习在医学中的应用
- 手术手术研究研究研究手术研究
背景情况:
- 优化手术室利用率对于医院的效率至关重要.
- 准确的外科病例持续时间预测是有效的OR管理的关键.
- 传统的估计方法往往缺乏高级优化所需的精度.
研究的目的:
- 开发和评估部门特定的随机森林模型,用于预测外科病例持续时间.
- 提高传统估计方法和一般机器学习模型的准确性.
- 通过特征重要性分析,确定影响手术持续时间的关键因素.
主要方法:
- 应用随机森林,XGBoost,线性回归,LightGBM和CatBoost算法到一个全面的外科手术数据集.
- 使用平均绝对误差 (MAE),根平均平方误差 (RMSE) 和R平方 (R2) 评估模型性能.
- 使用SHAP分析来解释特征重要性.
主要成果:
- 部门特定的随机森林模型实现了卓越的性能,MAE为16.32,RMSE为31.19,R2为0.92.
- 随机森林模型显著优于一般模型和传统估计技术.
- 发现的关键预测因素包括早上手术时间,ICU病房分配,手术代码和外科医生ID.
结论:
- 根据特定的外科部门定制机器学习模型,可以大大提高外科病例持续时间的预测准确性.
- 部门特定的随机森林模型为优化外科手术安排和OR管理提供了更可靠的工具.
- 利用数据驱动的定制模型对于提高医疗保健运营效率和结果至关重要.


