课堂项目:一个概念验证机器学习驱动的复杂度水平算法,用于莫斯微图外科手术中的手术安排.

科学领域:

• 皮肤病学 皮肤病学
• 手术瘤学手术瘤学
• 卫生系统工程 卫生系统工程

背景情况:

• 莫斯手术工作流协调存在固有的复杂性.
• 有效的案例复杂度分级对于有效的调度至关重要.
• 精确的调度可以减少患者等待时间,优化资源配置.

研究的目的:

• 通过估计阶段数和重建类型来预测莫斯手术病例的复杂性.
• 通过整合模型见解和工作流分析,制定数据驱动的调度建议.

主要方法:

• 机器学习模型使用病理学报告数据进行训练,以预测莫斯阶段和复杂重建.
• 在工作流分析中采用了健康系统工程方法,以确定效率改进.
• 通过结合机器学习预测和工作流分析结果,制定了调度建议.

主要成果:

• 机器学习模型在预测莫斯案例复杂性方面展示了可行性.
• 模型实现了复杂重建预测的AUC-ROC为0.83,阶段数为0.62.
• 解剖位置,特别是中脸,是更高复杂性和更长的外科手术持续时间的关键预测因素.

结论:

• 该研究证明了预测莫斯手术病例复杂性的可行性.
• 整合机器衍生和人类衍生知识为增强工作流提供了互补的见解.
• 这些结合的见解可以显著改善莫斯手术安排和整体工作流效率.