Ny Titel: Förbättring av kirurgiska fallängdsprognoser genom maskininlärning

I en nyligen publicerad studie i tidskriften Surgery syftade forskare till att utveckla en maskininlärningsmodell som noggrant kunde förutsäga längden på kirurgiska fall över olika tjänster och platser. Genom att använda begränsade data som fanns tillgängliga vid fallets skapande kunde noggranna förutsägelser leda till förbättrad schemaläggningseffektivitet och kostnadseffektiv användning av resurserna på operationssalen.

För att konstruera den prediktiva modellen använde forskarna en teknik med likhetsträd för att analysera fallen komplexitet och operatörens påverkan på deras längd. Denna information inkorporerades sedan i en maskininlärningsmodell för gradientförstärkning. Teamet justerade också modellens förlustfunktion för att hitta en balans mellan att över- eller underskatta fallets längd.

För att underlätta en bred distribution och användning implementerades en strömlinjeformad produktionsprocess, vilket möjliggjorde att modellen sömlöst kunde användas inom deras skola utan att stöta på några hinder.

Vid utvärderingen av modellens prestanda visade resultaten från augusti till december 2022 dess överlägsenhet jämfört med traditionella tidplaneringsförutsägelser. I en omfattande analys som omfattade 33 815 operationsfall över patient- och sjukhusplattformar, förutsade modellen framgångsrikt 11,2 % färre fall som var för korta, 5,9 % fler fall som låg inom 20 % av den faktiska fallets längd och endast 5,3 % fler fall som översteg den beräknade varaktigheten.

Implementeringen av modellen gynnade också tidsschemaläggarna, eftersom det möjliggjorde att de uppskattade längden på 3,4 % fler fall korrekt inom en 20 % marginal av den faktiska längden, samtidigt som de minskade antalet fall som förlängdes utöver den prognosticerade tiden med 4,3 %.

Sammanfattningsvis utvecklade forskarna en unik ram som har visat sig vara pålitlig för att förutsäga kirurgiska fallets längd vid publiceringen. Denna ram kan dessutom fungera som en grund för framtida maskininlärningsmodeller som syftar till att förbättra kirurgisk schemaläggning och resursfördelning inom hälso- och sjukvårdssektorn.