基于人工智能的手术转换的FAST框架
Harmehr Sekhon1,2, Farid Al Zoubi3, Paul E Beaulé4
1Division of Geriatric Medicine, Department of Medicine, St. Mary's Research Centre, McGill University, Montreal, QC, Canada.
Frontiers in big data
|September 29, 2025
概括
基于人工智能的手术转型框架 (FAST) 使用机器学习提供实时建议,显著提高手术成功率 (SSR) 和手术室效率. 这种创新模式提高了医疗保健中的患者结果和资源利用率.
科学领域:
- 人工智能在医学中的应用
- 机器学习应用 机器学习应用
- 优化外科手术工作流程的优化
背景情况:
- 传统的机器学习 (ML) 在外科手术中主要侧重于预测,在手术室 (OR) 效率和手术成功率 (SSR) 中取得了有限的改善.
- 随着手术等待时间的增加和医疗保健资源的限制,需要创新的ML解决方案来实现实时OR优化.
- 基于人工智能的手术转换框架 (FAST) 旨在通过提供立即建议来提高OR效率来应对这些挑战.
研究的目的:
- 开发和评估用于实时推的FAST模型,以提高OR效率.
- 评估FAST对骨科手术成功率 (SSR) 的影响.
- 确定FAST框架在临床环境中的可行性和可实施性.
主要方法:
- 该FAST模型是使用6个ML算法开发的,包括决策树和神经网络.
- 评估涉及4796例骨科病例的数据集,包括手术和团队特定变量.
- 定期召开利益相关者研讨会,以确保遵守和采用FAST系统.
主要成果:
- 通过强大的团队参与,FAST在骨科手术室展示了可行性和可实施性.
- 实施导致SSR在23周内从基线时的39%大幅增加到93%.
- 影响SSR的关键因素包括第一次手术的及时启动,高效的OR周转率和最佳的团队组成.
结论:
- FAST是一个新的ML框架,能够提供实时反,以提高OR效率和SSR.
- 成功整合利益相关者对于FAST系统的采用和有效性至关重要.
- FAST框架提供了一个多功能和创新的ML应用程序,用于提高OR在各种医院环境和外科手术过程中的效率,而不需要额外的资源.
