Surgical duration prediction by developing a hybrid model (Using machine learning techniques)

Amrollahibiouki, M. et Beauregard, Y. (2023) Surgical duration prediction by developing a hybrid model (Using machine learning techniques). Dans CIGI Qualita MOSIM 2023, Trois-Rivières, Québec, Canada DOI 10.60662/wdjj-m048.

Prévisualisation

Texte CIGI_QUALITA_MOSIM_2023_paper_8728.pdf Télécharger (278kB) | Prévisualisation

Résumé

La majorité des revenus et des coûts d'un hôpital sont liés à ses salles d'opération; il est donc crucial pour l'administration hospitalière de planifier et de programmer ce service afin d'optimiser son efficacité. Ils ont besoin d'informations fiables sur la durée de chaque intervention chirurgicale pour gérer la salle d'opération de manière précise et efficace. La plupart des estimations de durée de la chirurgie sont empiriques et basées sur l'expérience du chirurgien, ce qui est souvent imprécis. Par conséquent, nous pouvons prédire la durée de la chirurgie de manière plus précise en appliquant des méthodes scientifiques telles que des algorithmes d'apprentissage automatique, et sur cette base, nous pouvons planifier les salles d'opération de manière plus précise. Ainsi, cette étude évalue une méthode de prédiction de durée de chirurgie basée sur l'apprentissage automatique. Pour prévoir la durée de la chirurgie au Centre universitaire de santé McGill à Montréal, au Canada, nous utilisons et évaluons quatre techniques d'apprentissage automatique (régression linéaire, machines à vecteurs de support, arbres de régression et arbres bagués). Les algorithmes seront entraînés à l'aide de données historiques du système de dossier médical électronique de ce centre de santé. L'erreur quadratique moyenne (RMSE) de la durée chirurgicale prédite et le temps de calcul des algorithmes sont utilisés pour comparer les performances des méthodes. Pour améliorer la précision des prévisions, nous proposons un modèle hybride en plus des modèles classiques de prédiction. Enfin, nous comparons l'efficacité des quatre algorithmes d'apprentissage automatique utilisés pour estimer la durée de la chirurgie à notre modèle hybride. Sur la base des résultats, nous choisissons la méthode qui offre la meilleure performance tout en maintenant un compromis raisonnable avec l'une des plus courtes RMSE et des coûts de calcul raisonnables. Ensuite, nous déterminons quel modèle permettra d'estimer la durée de la chirurgie de la meilleure manière possible.

The majority of a hospital's revenues and costs are tied to its operating rooms; hence it is crucial for hospital administration to plan and schedule this department to optimize its effectiveness. They require reliable information about how long each surgery will take to manage the operating room precisely and effectively. Most surgical duration estimates are empirical and based on the surgeon's experience, which is frequently inaccurate. Therefore, we can predict the duration of surgery more correctly by applying scientific methods like machine learning algorithms, and based on this, we can plan operating rooms more precisely. As a result, This study evaluates a machine learning-based surgery time prediction method. To forecast the duration of surgery at The McGill University Health Centre in Montreal, Canada, we use and assess four machine-learning techniques (Linear Regression, Support Vector Machines, Regression Trees, and Bagged Trees). The algorithms will be trained using historical data from this health center's Electronic Health Record system. The Root Mean Square Error (RMSE) of the predicted surgical duration and the computation time of the algorithms are used to compare the performance of the methods. To improve forecasting accuracy, we provide a hybrid model in addition to typical models for prediction. Finally, we compare the effectiveness of the four ML algorithms used to estimate surgery duration to our hybrid model.Based on the results, we choose the method that provides the highest performance while maintaining a reasonable compromise with one of the shortest RMSEs and computational costs. Then we determine which model will estimate the duration of the surgery the best.

Type de document:	Document issu d'une conférence ou d'un atelier (NON SPÉCIFIÉ)
Mots-clés libres:	Durée de la chirurgie Machine learning Modèle hybride Surgery duration Machine learning Hybrid model
Date de dépôt:	16 août 2023 18:11
Dernière modification:	01 sept. 2023 20:02
URI:	https://collection-numerique.uqtr.ca/id/eprint/2025

Actions (administrateurs uniquement)

Éditer la notice