机器学习的操作时间预测用于机器人辅助的 laparoscopic 激进前列腺切除术

科学领域:

• 泌尿器科 泌尿器科 泌尿器科 泌尿器科
• 手术瘤学手术瘤学
• 数据科学数据科学数据科学

背景情况:

• 有效的手术室安排对于医疗保健系统至关重要.
• 准确预测机器人辅助激进前列腺切除术 (RARP) 的操作时间仍然是一个挑战.
• 优化外科手术工作流程需要精确的时间估计.

研究的目的:

• 为RARP开发和验证一个可操作的时间预测系统.
• 为了提高预测机器人前列腺切除手术持续时间的准确性.
• 为改善手术室调度效率提供一个工具.

主要方法:

• 557名 (东北大学医院) 和150名 (宫癌症中心) RARP患者的回顾性分析.
• 收集的变量包括患者的人口统计,并发症,瘤特征和手术因素.
• 开发了一个使用近似曲线和随机森林机器学习模型的综合预测系统.

主要成果:

• 实现了0.107 (内部) 和0.148 (外部) 验证的正常化根平均平方误差.
• 与基于操作者的时间估计相比,证明了更高的可靠性.
• 确定了关键的预测因素:淋巴切除术,年级组,前列腺体积和体重指数.

结论:

• 开发的系统为RARP提供了可靠和强大的操作时间预测.
• 该系统有效地结合了影响手术持续时间的已知因素.
• 有潜力显著改善手术室安排和资源管理.