使用机器学习来预测-然后-优化选择性整形外科手术安排,以改善手术室利用率:回顾性研究

科学领域:

• 整形外科手术 整形外科手术
• 医疗信息学 医疗信息学
• 运营研究 运营研究

背景情况:

• 膝关节和关节整形术 (TKA和THA) 是大量的选择性手术,需求日益增加.
• 目前的调度依赖于平均持续时间,无法考虑患者特定的变化,导致等待时间更长.
• 需求的增加和资源密集性给医疗保健系统带来了压力,尽管投资,但等待时间加剧了.

研究的目的:

• 评估基于机器学习 (ML) 的两阶段方法来优化可选的TKA和THA调度.
• 使用ML预测个体手术持续时间 (DOS),并将预测整合到调度优化中.
• 评估提高手术室效率和减少等待时间的潜力.

主要方法:

• 开发了ML模型,使用大型国际患者数据集预测TKA和THA的DOS.
• 我们比较了三个调度优化公式:任意,分割和多个子集总和问题 (MSSP).
• 进行了为期两年的模拟,将ML预测的DOS时间表与各种参数下的平均DOS时间表进行比较.

主要成果:

• ML模型实现了78.1% (TKA) 和75.4% (THA) 的精度 (使用30分钟缓冲区).
• 与平均DOS时间表相比,ML预测的时间表显著减少了300-500分钟的每周加班时间.
• 虽然ML时间表增加了手术室未充分利用率 (70-192分钟),但它们在最佳参数的时间中97.1%的时间超越了平均时间表.

结论:

• 机器学习辅助的调度优化了可选的手术室时间,大大减少了加班时间,提高了效率.
• 这种预测-然后-优化方法为面临成本压力和长期外科手术等待列表的医疗保健系统提供了巨大的好处.
• 使用ML优化调度有可能减轻医疗保健资源的压力,并改善患者获得TKA和THA程序的机会.