Анестезия и клинические исследования
Открытый доступ

Абстрактный

Совершенствование и интерпретация прогнозирования длительности хирургического случая с помощью методологии машинного обучения

Джэсинь Лай, Джао-Ю Хуан, Шу-Чэн Лю, Дер-Ян Чо, Цзясинь Ю

Цель: Больницы сталкиваются с трудностями в выполнении эффективного планирования и эффективного управления мерами по обеспечению пациентов передовым качественным медицинским обслуживанием. Планирование операций (ОР) важно, поскольку оно влияет на эффективность рабочего процесса, интенсивную терапию и оптимизацию ИЛИ. Автоматическое планирование и точное прогнозирование продолжительности хирургического случая, играющего решающую роль в улучшении использования ИЛИ. Для оценки продолжительности хирургического вмешательства большинство больниц полагаются на исторические средние значения, полученные с помощью системы планирования электронной медицинской карты (EMR). Однако это приводит к низкой точности, что приводит к негативным последствиям, например, к переносу и отмене.

Методы: Был получен большой набор данных, которые охватывали различные детали пациентов, операций, специальных операций и хирургических бригад. Для разработки прогностической модели были предусмотрены хирургические вмешательства в течение 60-600 минут из 14 специальностей. Эти данные различают более 500 различных типов процедур. Все модели оценивались с помощью R-квадрата (R2), средней абсолютной ошибки (MAE), превышения процентной ставки (фактическая продолжительность > прогнозируемой), недооценки (фактическая продолжительность < прогнозируемой) и в пределах. Все выбранные случаи были разделены на случаи с 1 процедурой или ≥ 2 процедурами и повторно изучены с помощью лучших моделей.

Результаты: Модель экстремального градиентного усиления (XGB) оказалась лучше, достигнув более высокого R2, более низкого MAE и более высокого курса в пределах временного набора тестов (не в исходных данных). Ошибки (фактические предсказания) можно уменьшить было, используя модель, переобученную на случаях с ≥ 2 процедурами (XGB2). Интерпретация предсказаний XGB с аддитивными объяснениями Шесть показала, что тип процедуры, тип анестезии и количество процедур являются наиболее обоснованными основаниями. Специфические и более серьезные взаимодействия между типом анестезии, процедурами и специализацией были также выявлены во многих сложных случаях.

Выводы: Модели XGB и XGB2 превзошли другие модели для прогнозирования продолжительности хирургических случаев. Они развернуты как автономный сервер машинного интеллекта, подключенный к системе EMR для планирования. Это в конечном итоге приводит к снижению медицинской и финансовой нагрузки на управление здравоохранением.