麻醉与临床研究
开放获取

抽象的

使用机器学习方法改进和解释手术病例持续时间预测

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

目标：医院在执行有效的调度和良好的资源管理以确保为患者提供先进的医疗保健质量方面遇到挑战。手术室 (OR) 调度非常重要，因为它会影响工作流程效率、重症监护和手术室优化。自动调度和准确的手术病例持续时间预测对于提高手术室利用率具有关键作用。为了估计手术病例持续时间，大多数医院依赖从电子病历 (EMR) 调度系统获得的历史平均值。然而，这会产生低准确度，从而导致负面影响，例如重新安排和取消。

方法：获得了涵盖患者、手术、专科和手术团队的各种详细信息的大型数据集。选择来自 14 个专科的 60-600 分钟内的手术病例进行预测模型开发。这些数据包括 500 多种不同的手术类型。所有模型均采用 R 方 (R2)、平均绝对误差 (MAE)、超龄百分比（实际持续时间 > 预测）、未成年百分比（实际持续时间 < 预测）和以内进行评估。随后，所有选定的病例被分为1次手术或≥2次手术的病例，并用最佳模型重新训练。

结果：极限梯度增强 (XGB) 模型更为出色，在时间测试集（不在原始数据中）上实现了更高的 R2、更低的 MAE 和更高的百分比。使用在 ≥ 2 个程序的病例上重新训练的模型 (XGB2) 可以减少错误（实际 - 预测）。使用 Shapley 附加解释对 XGB 预测的解释表明，手术类型、麻醉类型和手术编号。是最重要的 3 个功能。麻醉类型、程序编号之间的特定且更高的相互作用。在复杂案例的子集中还确定了特殊性。

结论： XGB 和 XGB2 模型在预测手术病例持续时间方面优于其他模型。它们被部署为独立的机器智能服务器，通过 EMR 系统连接进行调度。这最终将减轻医疗保健管理的医疗和财务负担。