植物生化学および生理学ジャーナル
オープンアクセス

概要

機械学習手法による手術期間予測の改善と解釈

Jesyin Lai、Jhao-Yu Huang、Shu-Cheng Liu、Der-Yang Cho、Jiaxin Yu

目的:病院は、患者に高度な医療品質を提供するために、効率的なスケジュール管理と適切なリソース管理を実行するという課題に直面しています。手術室 (OR) のスケジュール管理は、ワークフローの効率、集中治療、および OR の最適化に影響するため重要です。自動スケジュール管理と正確な手術時間の予測は、OR の利用率を向上させる上で重要な役割を果たします。手術時間の推定には、ほとんどの病院が電子医療記録 (EMR) スケジュール管理システムから取得した過去の平均値に依存しています。ただし、これでは精度が低く、再スケジュールやキャンセルなどの悪影響が生じます。

方法:患者、手術、専門分野、外科チームに関するさまざまな詳細を網羅した大規模なデータセットが取得されました。14 の専門分野から 60 ～ 600 分以内の手術症例が予測モデル開発のために選択されました。これらのデータには、500 種類を超えるさまざまな手術タイプが含まれていました。すべてのモデルは、R 平方 (R2)、平均絶対誤差 (MAE)、パーセンテージ超過 (実際の所要時間 > 予測)、不足 (実際の所要時間 < 予測)、および範囲内で評価されました。その後、選択されたすべての症例は、1 つの手術または 2 つ以上の手術の症例に分けられ、最適なモデルで再トレーニングされました。

結果:極度勾配ブースティング (XGB) モデルは優れており、時間ごとのテスト セット (元のデータではない) でより高い R2、より低い MAE、より高いパーセンテージを達成しました。誤差 (実際 - 予測) は、2 つ以上の手順があるケース (XGB2) で再トレーニングされたモデルを使用することで削減できました。Shapley の加法説明による XGB 予測の解釈では、手順タイプ、麻酔タイプ、および手順番号が上位 3 つの最も重要な特徴であることが示されました。麻酔タイプ、手順番号、および専門分野間の特定の高い相互作用も、複雑なケースのサブセットで特定されました。

結論: XGB および XGB2 モデルは、手術期間の予測において他のモデルよりも優れた性能を発揮しました。これらは、スケジュール作成のために EMR システムに接続されたスタンドアロンの機械知能サーバーとして導入されています。これにより、最終的には医療管理の医療的および財政的負担が軽減されます。