超越病理学:一种基于程序的方法,用于规划和预测机器人妇科瘤手术中的结果

科学领域:

• 机器人妇科手术 机器人妇科手术
• 手术规划 手术规划
• 机器学习在医学中的应用

背景情况:

• 目前的机器人妇科手术规划依赖于病理学,但手术室使用可能更好地预测程序需求.
• 对于外科预测的机器学习的进步需要更准确的规划模型,并挑战现有的复杂性假设.

研究的目的:

• 将程序要求与传统的复杂性标记器进行比较,以预测机器人妇科手术中的操作时间和并发症.
• 开发一个实用的,基于程序的外科手术规划框架,以补充机器学习方法.

主要方法:

• 在一个单一的高等医疗中心对80次机器人妇科手术 (2021-2024) 进行了回顾性分析.
• 检查了程序要求 (淋巴切除术,粘结溶解),传统复杂性标记 (BMI,病理,之前的手术) 和结果 (手术时间,并发症) 之间的关系.
• 开发并验证了使用多变量回归分析对基于病理学的预测进行手术前程序性需求评分 (PPDS).

主要成果:

• 程序要求是运行时间的更强的预测因素,而不是病理类型.
• 淋巴切除术和粘合溶解显著增加了操作时间 (分别为33.1分钟和19.8分钟).
• 传统的标记物,如BMI> 35和之前的手术对手术时间的影响最小. 在研究期间,手术时间和手术内并发症显著减少.

结论:

• 与传统标记器相比,程序要求为预测机器人妇科手术的操作时间提供了一个新的,优越的框架.
• 虽然有希望,但单中心研究需要多中心的前性验证,以便广泛采用,特别是考虑到与机器学习相比的适度预测准确性.
• 机器人手术在复杂的病例中也显示出可行性和出色的安全性,因此需要在更大规模的研究中进行进一步调查.