《Scientific Reports》:Accurate surgery time prediction (ASTP) strategy based on artificial intelligence techniques
编辑推荐:
精确预测手术时长是实现高效手术室(Operating Room, OR)排程及保障患者照护的关键。本研究提出一种双层精确手术时长预测(Accurate Surgical Time Prediction, ASTP)框架。第一层结合特征重要性分析与先进机器学习模
精确预测手术时长是实现高效手术室(Operating Room, OR)排程及保障患者照护的关键。本研究提出一种双层精确手术时长预测(Accurate Surgical Time Prediction, ASTP)框架。第一层结合特征重要性分析与先进机器学习模型估算手术时间;预处理后采用两种互补的可解释人工智能(Interpretable AI)方法——长短期记忆网络结合SHapley Additive exPlanations(SHAP)值及随机森林(Random Forest, RF)置换重要性(Permutation Importance)——确定各特征的重要性。第二层使用直方图梯度提升回归(Histogram-based Gradient Boosting Regression, HGBR)逐步评估前K个(TOP-K)特征子集,并与多种模型对比:人工神经网络(Artificial Neural Network, ANN)、循环模型[长短期记忆网络(Long Short-Term Memory, LSTM)、门控循环单元(Gated Recurrent Unit, GRU)及LSTM+GRU混合模型]。该框架在两组数据集上验证:尼罗河医院(Nile Hospital)真实手术室数据集与医学信息学手术室生命体征与事件库(Medical Informatics Operating Room Vitals and Events Repository, MOVER)公开数据集。Nile Hospital数据集结果显示,直方图梯度提升回归(Histogram Gradient Boosting Regression, HGBR)方案取得最佳平衡,仅需4个特征即获得平均绝对误差(Mean Absolute Error, MAE) 8.89 min、均方根误差(Root Mean Square Error, RMSE) 19.5 min及决定系数(Coefficient of Determination, R2) 0.26,优于其他对比方法。MOVER数据集上HGBR同样展现最强整体预测表现,TOP-12特征达最优数值结果,TOP-7子集在降低输入复杂度的同时保留近优性能。所提ASTP框架为手术时长预测提供了可解释且资源高效的解决方案,可支持更智能的手术室排程及未来医院决策系统集成。
《Scientific Reports》刊载论文解读:基于人工智能技术的精确手术时长预测(ASTP)策略研究
一、研究背景与意义
手术室(Operating Room, OR)是医院资源消耗最高的部门之一,其利用率优化是医院管理的核心。传统手术时长预估多依赖同术式历史均值或麻醉医师主观判断,受患者病情、术中突发状况等不确定因素影响, inaccuracy 易导致手术室空置或超时、医护人员过劳、患者等待时间延长及满意度下降,增加医疗差错风险。现有机器学习方法或偏重深度序列模型,或缺乏可解释性与特征筛选机制,难以兼顾精度、效率与临床可用性。为此,研究人员开展了一种双层精确手术时长预测(Accurate Surgery Time Prediction, ASTP)框架研究,融合可解释人工智能(eXplainable AI, XAI)特征排序与轻量梯度提升回归,旨在以最少特征实现高精度、可解释的手术时长估计,以支持智能手术室调度。结论表明该框架在两类数据集上优于对比模型,仅用少量关键特征即可达到竞争性能,具临床部署价值。
二、主要关键技术方法
研究人员采用双层ASTP框架:(1)预处理与特征排序层——对分类变量做独热编码(One-Hot Encoding);连续特征做Z-score标准化(StandardScaler),目标变量做Min–Max归一化;并行用单层长短期记忆网络(Long Short-Term Memory, LSTM)配合SHapley Additive exPlanations(SHAP)求特征贡献均值,及随机森林(Random Forest, RF)置换重要性(Permutation Importance, ΔMAE)求特征扰动后MAE增量,两方法排序取平均得最终特征序;(2)预测层——按TOP?K递进输入直方图梯度提升回归(Histogram-based Gradient Boosting Regression, HGBR),目标变量做Winsorization(1st/99th百分位)及log1p变换,推理时逆变换回分钟。实验数据来源:埃及Nile Hospital 2023年12月471例择期手术记录(7原始字段)及美国MOVER公开库39,381例围术期结构化电子病历(13输入特征+手术时长)。训练/测试比7:3,以MAE、RMSE、R2为指标,辅以Bootstrap置换检验做统计显著性分析。
三、研究结果
Feature importance and Ranking on Nile Hospital dataset(尼罗河医院数据集特征重要性及排序)
研究人员分别用LSTM+SHAP与RF置换重要性分析六维特征,两方法一致给出排序:priority(手术优先级)>family_number(家族编号/术种相关)>dr_age(主刀医生年龄)>number of staff(术中人员数)>patient_case(患者病情)>day(星期)。priority平均贡献约37%,day不足1%。双方法互验增强排序可信度。
Ablation study to reduce features in the proposed ASTP framework on nile hospital dataset(尼罗河医院数据集特征约简消融实验)
研究人员以HGBR分别输入全6特征、TOP?5、TOP?4子集。结果显示TOP?4(优先级、家族编号、医生年龄、人员数)的MAE降至8.8857 min,低于全特征的9.0512 min,证明剔除低贡献特征可降噪提效,虽RMSE与R2微降但仍保竞争力。
In-depth evaluation of the HGBR strategy to assess performance effectiveness on nile hospital dataset(尼罗河医院数据集HGBR效能深入评估)
研究人员对比HGBR、ANN、LSTM、GRU及LSTM+GRU在各TOP?K下的表现。HGBR在TOP?4达最低MAE(8.89 min)、RMSE 19.5 min、R20.26,显著优于各对照模型(p<0.05,Bootstrap CI不含0),且所需特征最少;循环及混合模型最佳亦需≥2特征但误差偏高,ANN需全6特征。证实表格型围术期数据更适合树基Boosting。
Evaluation on the MOVER Dataset(MOVER数据集验证)
在大型多中心MOVER数据上,HGBR随TOP?K增加(1→12)MAE由88.64 min降至最优(~77 min区间),TOP?7后增益极小,故选TOP?7为精简配置(MAE 77.70 min),兼顾精度与输入维度。ANN最佳在TOP?4(MAE 81.20 min)但不稳,LSTM表现最弱。再次验证HGBR与特征排序策略的跨数据集泛化能力。
Comparison with previous studies(与既往研究对比)
对比同期文献中XGBoost、科室专化RF等,ASTP框架以仅4特征获MAE 8.89 min,虽XGBoost数值略优(MAE 8.70 min)但需全6特征且无双方法特征可解释性佐证;RF类需6特征且MAE相近或略高。ASTP独特优势在于可解释双特征排序+最小有效子集选取+快速HGBR推断,适合临床低维录入场景。
四、讨论与结论翻译
研究人员指出,所提ASTP框架通过可解释AI驱动的特征排序与TOP?K评估,实现了以极少关键变量(尼罗河数据集4个、MOVER数据集7个)达到竞争性或更优的手术时长预测精度。在尼罗河医院数据集上HGBR方案MAE=8.89 min、RMSE=19.5 min、R2=0.26;MOVER数据集上TOP?7子集接近全特征性能。双特征重要性方法(LSTM?SHAP与RF置换重要性)的一致性增强了临床信任度。该框架有助于减少手术室排程偏差、降低资源浪费并改善患者照护。未来研究方向包括纳入术式类型、麻醉时长、术中事件及临床文本笔记,在多院多专科验证,并探索迁移学习、模块化学习及基于强化学习(Reinforcement Learning, RL)的排程集成。
原文结论段翻译:
本研究提出了一种用于手术时长精确估计的准确手术时间预测(ASTP)策略。该框架旨在解决手术时间估计中预测精度、特征可解释性、降维学习及计算效率问题。基于Nile Hospital真实手术室数据集及MOVER库,方法分两阶段:第一阶段利用AI技术(SHAP?LSTM可解释性及随机森林重要性切换)进行预处理以识别最重要特征;第二阶段用多方法(ANN、LSTM、GRU、LSTM+GRU混合及HGBR)评估递增TOP?K特征子集。Nile Hospital数据集上HGBR仅用四特征取得了精度与效率间的最佳平衡,MAE=8.89 min、RMSE=19.5 min、R2=0.26;统计显著性分析确认其优于对照模型非随机波动所致。MOVER数据集实验证明了框架泛化性,HGBR在TOP?12达数值最优,TOP?7子集为最佳精简配置。结果表明可解释性与特征可获得性在预测性医疗系统中的重要性。所提ASTP方法提升了预测精度,可改善手术室调度、减少资源浪费并确保更好的患者照护。未来工作将聚焦ASTP框架验证、纳入更全面的术前及术中变量、加强其与未来手术室调度及决策支持系统的整合,并将探索其他医院及专科的进一步评估及高级模型(模块化学习、迁移学习及基于强化学习的调度)以提高异质环境适应性。