优化手术效率:使用机器学习预测普通普通外科手术程序的病例持续时间

科学领域:

• 医疗信息学 医疗信息学
• 机器学习在外科手术中的应用
• 操作室管理 操作室管理

背景情况:

• 准确预测手术持续时间对于有效的手术室资源分配至关重要.
• 目前的日程安排依赖于主观的外科医生估计,这可能是不准确的.
• 开发客观预测模型对于优化外科手术安排至关重要.

研究的目的:

• 开发和比较各种预测模型,包括机器学习算法,用于估计外科病例持续时间.
• 客观地预测常见的可选一般外科手术程序的病例持续时间.
• 为了比较模型的性能与传统的外科医生估计.

主要方法:

• 训练有素的预测模型使用来自三个学术高等中心的电子健康记录数据.
• 定义"病例持续时间"为从病人入院到离开手术室的时间.
• 基于预测准确性和残留分析的评估模型,将它们与"预定持续时间" (外科医生的估计) 进行比较.

主要成果:

• 训练了多个模型 (线性回归,SVM,随机森林,XGBoost,ANN) 在16,159名接受17,246项手术的患者身上.
• 人工神经网络 (ANN) 模型显示出卓越的预测准确性,根平均平方误差为49.7分钟,平均绝对误差为31.8分钟.
• ANN提供了更准确的病例时间估计,平均超过外科医生的估计超过18分钟.

结论:

• ANN模型对外科病例时间的估计比提供者基于知识的估计准确得多.
• 机器学习模型可以消除传统外科手术安排方法固有的主观偏见.
• 机器学习在预测病例持续时间方面的未来应用可以提高医疗保健资源利用率.