Anestesia e Investigación Clínica
Acceso abierto

abstracto

Mejora e interpretación de la predicción de la duración de los casos quirúrgicos con la metodología de aprendizaje automático

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

Objetivo: Los hospitales enfrentan desafíos para realizar una programación eficiente y una buena gestión de recursos para garantizar que se brinde atención médica avanzada a los pacientes. La programación del quirófano (OR) es importante ya que afecta la eficiencia del flujo de trabajo, la atención crítica y la optimización del quirófano. La programación automática y la predicción precisa de la duración de los casos quirúrgicos tienen funciones críticas para mejorar la utilización del quirófano. Para estimar la duración del caso quirúrgico, la mayoría de los hospitales se basan en los promedios históricos obtenidos de los sistemas de programación de registros médicos electrónicos (EMR). Sin embargo, esto produce una baja precisión que conduce a impactos negativos, p. reprogramación y cancelación.

Métodos: Se obtuvo un amplio conjunto de datos, que cubría diversos detalles sobre pacientes, cirugías, especialidades y equipos quirúrgicos. Se seleccionaron casos quirúrgicos dentro de 60-600 min de 14 especialidades para el desarrollo de modelos predictivos. Estos datos incluían más de 500 tipos de procedimientos diferentes. Todos los modelos se evaluaron con R-cuadrado (R2), error absoluto medio (MAE), exceso de porcentaje (duración real > predicción), menos de edad (duración real < predicción) y plazo. Posteriormente, todos los casos seleccionados se separaron en casos con 1 procedimiento o ≥ 2 trámites y reentrenado con el mejor modelo.

Resultados: El modelo de aumento de gradiente extremo (XGB) fue superior, logrando un R2 más alto, un MAE más bajo y un porcentaje más alto dentro de un conjunto de pruebas en el tiempo (no en los datos originales). Los errores (reales - predicciones) podrían reducirse usando el modelo reentrenado en casos con ≥ 2 procedimientos (XGB2). La interpretación de las predicciones XGB con explicaciones aditivas de Shapley mostró que el tipo de procedimiento, el tipo de anestesia y el número de procedimiento. fueron las 3 características más importantes. Interacciones específicas y mayores entre el tipo de anestesia, el procedimiento no. y la especialidad también se identificaron en un subconjunto de casos complicados.

Conclusiones: Los modelos XGB y XGB2 superaron a otros modelos en la predicción de la duración de los casos quirúrgicos. Se implementan como un servidor de inteligencia de máquina independiente conectado por el sistema EMR para la programación. Esto eventualmente conducirá a reducir la carga médica y financiera para la gestión de la atención médica.