优化神经外科手术室时间表:整合机器学习模型用于操作时间预测和时间表设计
Karim Rizwan Nathani1, Laura A Machlab1, Hendrik L von Kentzinsky1
1Department of Neurologic Surgery, Mayo Clinic, Rochester, United States.
Surgical neurology international
|October 20, 2025
概括
使用机器学习 (ML) 精确的操作时间预测优化了手术室 (OR) 调度. 这种ML模型显著减少了浪费的OR时间,并改善了神经外科手术中的资源利用.
科学领域:
- 神经外科 神经外科
- 机器学习 机器学习
- 医疗保健操作 医疗保健操作
背景情况:
- 不准确的操作时间估计导致操作室 (OR) 调度不足,医疗保健资源浪费.
- 有效的调度对于最大限度地利用资源和最大限度地减少神经外科手术过程中的浪费至关重要.
研究的目的:
- 开发一个用于操作时间估计的预测机器学习 (ML) 模型.
- 通过使用机构数据,改进神经外科手术室的安排,尽量减少浪费,并最大限度地利用资源.
主要方法:
- 开发了一个预测模型,使用来自三个三级医院的多中心注册表,记录来自三个三级医院的多种神经外科病例.
- 应用并比较多种ML技术,包括线性回归,支持向量回归,深度神经网络和极端梯度增强回归 (XGBR).
- 集成了表现最好的ML模型 (XGBR) 与一个用于实际OR调度系统的首次适应减量 bin-packing算法.
主要成果:
- XGBR模型表现出卓越的性能,根平均平方误差为52.24,平均绝对误差 (MAE) 为37.25,R2值为0.76.
- 在OR调度场景中的模拟实施成功安排了30项手术,残余时间最小,残余时间为86分钟的骨和171分钟的脊椎OR.
- 优化了OR时间,将部手术安排在4天内,脊柱手术安排在6天内,显著提高了效率.
结论:
- 将ML模型集成到操作时间预测中可以显著提高手术安排的准确性和效率.
- 这种方法最大限度地减少了浪费的OR时间,并优化了资源配置.
- 改进调度可以通过减少等待时间,带来更好的患者结果和满意度.
