人工智能：手术室管理的新工具与机器学习模型在手术室优化中的作用

摘要

人工智能早已渗入至医疗的各个领域能够辅助医疗，优化临床决策。为更好地了解机器学习（Machine Learning，ML）模型在围手术期发挥的作用，本文对2015年至2019年2月之间对成年（≥18岁）患者的研究文献进行了系统回顾，检索获取了19篇论文。回顾性分析显示ML在手术室管理运用邻域具有很大潜力，能够很好地预测手术持续时间，加快手术室运作与衔接，使用能够更精确地安排时间，减少资源浪费。ML甚至能够支持同时协调多个空间的更复杂模型，如麻醉后护理室（PACU）和手术室（OR）。各种类型的人工智能还可以用于解决另一个影响经济的重要问题：手术的取消。随机森林图可以有效识别具有较高取消风险的手术，从而制定相应的预防措施来降低取消率。总之，尽管文献中的数据有限，但不可否认ML在手术室领域具有巨大潜力。

背景

随着高质量和便捷的医疗保健的需求日益增加，导致卫生系统花费越来越多的时间寻找提高效率的解决办法。手术室被许多专家视为财务中心，约占成本的35%至40%。分析来自操作板块的大量数据有可能获得解释模型和精确的预测估计，将有助于更好的资源利用，限制资本浪费，为实现系统优化提供更好、更安全的服务。

ML是人工智能的一个亚类，无需经过明确的编程，而是使用算法以迭代的方式从大量数据中学习。ML能够从不同的数据来源中提取方案，解释并创建预测模型。在分析大量数据时，ML不会疲劳，不会注意力不集中，也不会犯任何粗心的错误。在本系统回顾研究对ML在围手术期医学中的应用进行了分析，目的是了解这些技术能否以及如何改善手术室管理，降低成本，以最大程度地提高收入和护理质量。

方法

该研究基于PRISMA声明指南，是帕尔马大学管理工程部门和麻醉学、重症监护和疼痛医学科合作的结果。作者对Scopus和PubMed数据库以及其他已验证的资源（特别是Cochrane库和Mesh）进行了系统的检索，Franklin Dexter的注释书目中对手术室任务持续时间的预测也包括在内。考虑2015年至2019年2月间发表的所有在手术区域使用ML的相关研究，包括了“机器学习”，“麻醉”，“围手术期”，“PACU”，“OR”，“恢复室”，“机器人辅助手术”的各种组合。2015年之前或2019年2月之后发表的关于儿童、动物的论文、摘要以及用英语以外的语言撰写的研究报告均被排除在外。所有与OR、麻醉、恢复室、PACU相关的文献均被纳入本研究。

结果

搜索结果为932个，没有重复。在第一次筛选中，排除了所有被认为不符合研究条件的综述和会议论文，共906项研究。从剩下的26份研究中，排除了所有兽医和儿科研究，结果是22项研究。在另一次筛选后，我们排除了其他3项与ML应用没有严格联系的研究。在最终的选择中，19个研究被纳入分析。

图1显示了PRISMA的选择流程图。

论文综述见表1和表2，本研究提取了与ML方法、人群、试验设置、变量及结果相关的研究特征，以建立我们的对照表。随后，我们将表格一分为二，将所有与管理严格相关的论文（5/19）分离出来，这些论文提供了关于手术持续时间和手术取消的组织或预测模型的建议。相反，其余研究（14/19）分析的结果可以作为手术室管理的间接参数。

在分析ML的类型时，只有一项研究采用了无监督技术，其中使用最多的是受监督的技术。最常用的算法是决策树和随机森林（多决策树）。

讨论

通过对所选文章的分析，可以对ML在医疗领域，特别是手术室中使用的潜力作出重要的观察。

手术时间预测

良好的预测结果可以计算多种手术的持续时间，从而改善手术室的各项手术安排和医院资源的管理。预测模型的一个例子是对Tuwatananurak等人的研究，其中使用了一个专有的ML算法leap来估计单个的持续时间。该算法是在一组示例的基础上做出预测，该示例包含15000例手术病例的数据集，细分为训练数据集和测试数据集。它被要求用机器来预测个别病例的持续时间。该算法可以自由使用训练数据集中的任何信息，从而识别出它们之间的模式。Leap模型创建了多个模型，使用不同算法搜索数据之间的不同模式。一旦确定并选择了最好的（通常是随机森林），机器就用它来进行未来预测。该模型的性能是用机器从未见过的新案例数据，即测试数据集的数据来衡量的。在1059个案例中，算法对93.5%（990个）案例进行了预测，在ML情况下，预测值与当前值的平均差值为20min，而传统模型的差值为27min，有近7min的显著统计学改善。以15min作为临床显著性预测误差阈值，传统方法和leap的预测准确率分别为31.2%和41.1%（p<0.0001）。此外，该算法的使用使得调度操作的一般不准确性降低了70%。

另一个例子是这些新技术在机器人外科手术中的应用。机器人手术虽然一方面有很大优势，但另一方面也有相当大的成本；Childers等人估计，每次手术的成本是3568美元，其中1866美元用于仪器和附件。在一项腹部外科手术的回顾性分析中，Khorramshahr等人发现机器人手术的平均成本是12.340±5880美元，而腹腔镜手术的平均成本是10.227±4986美元（p<0.001）。因此，为了实现利润最大化，必须充分利用所购买的每一个机器人单元。提高效率的重要步骤是通过提高单病程预测的准确性来规划精确的手术程序安排。在Zhao等人的研究中，选择了2014年1月1日至2017年6月30日期间连续500例机器人辅助手术案例。已分析了28个变量。为了进行比较，对一个变量使用了一个简单的线性回归模型，然后实施了几种有监督的ML技术，包括随机森林和神经网络，并使用了10倍交叉验证模型对其性能进行了测试。新模型，特别是增强回归树，使病例预测的准确率从34.9%提高到51.7% (p<0.001)。

然而，在这种情况下，数据源的可靠性是必不可少的。Shahabikargar等人的研究就是一个很好的例子。利用来自黄金海岸医院的数据，研究了手术时间的预测模型。作者表示，由于对数据的仔细分析，手术片段的过滤阶段使随机森林的总体输入有了很大的改善，使用集成方法的预测被证明更加准确。

麻醉恢复室

根据Fairley等人的研究，超过30%的卫生保健总成本是由于时间和空间的浪费，通过改善医院的组织和内部后勤可以在很大程度上消除这种浪费。通常在手术后，患者被送入PACU室用于术后麻醉恢复，然而，OR和PACU之间的管理通常是不足的，而且很多时候PACU是拥挤的。当PACU中没有床位时，患者被迫呆在手术室里，由此产生的所有费用（远高于PACU的费用）。Fairley等人在6个月内估计PACU占满的情况超过20小时，总计超过44000美元，这主要是由于手术计划不充分所致。他们的研究分析了5371个程序，其中4350个使用PACU进行患者术后恢复。ML模型是根据历史数据设计的，可用来为临床新病例预测手术室的数量和时间。利用ML机器预测的历史数据集和新数据，进行新的调度操作，在使用ML技术之前的手术室安排中，PACU的不可用时间为480min；经过新的优化细分后，将不可用时间减少到113min，在不减少手术室使用的情况下减少了76%。

手术病例取消监测

手术日取消仍然是造成时间利用效率低下和有效医疗资源浪费的主要原因之一。取消手术的平均费用是336美元。日常工作中，高风险手术取消的检测并非易事。它需要更多的自动分类方法和技术，可以从大型数据库中检测出高风险手术取消。

根据Luo等人的研究，全球取消率(CR)一般在4.65%至30.3%之间。ML算法的使用，尤其是随机森林，可以识别高风险取消的手术，为管理者提供了一种新的方法。结果表明，在性能稳定的情况下，可以有效识别具有高取消风险的手术，并且效果很好。手术管理者可以应用这些新技术来计划预防措施以减少CR，从而提高的机构资源利用率，提高医疗系统的成本效率。

其他变量 本系统回顾研究同时涵盖了由ML研究的其他变量，这些变量可以间接用于更好的手术病例规划。在2016年发表的一项研究中，使用包含898名患者的数据库，多标准决策分析（MCDA）方法已成功用于评估美国麻醉医师协会(ASA)的评分。准确的风险分层不仅在临床环境中非常重要，从组织的角度来看也是必不可少的。一个复杂的病人在麻醉过程中需要额外的注意和更多的监测。Wu等人分析了影响麻醉诱导时间的因素，强调了ASA≥Ⅲ评分是如何在这些因素中列出的。因此，在编程系统中引入这些信息无疑可以提高其准确性。类似的例子是“Alex困难喉镜检查软件（ADLS），用于预测困难喉镜检查，阳性预测值为76%，阴性预测值为76%。

进一步的应用是在围手术期使用ML，已经尝试在麻醉操作中指导针头。Hadjerci等人提出了第一个在超声引导的区域麻醉实施过程中识别解剖目标并提供穿刺轨迹的自动系统。在另一项研究中，混合机器学习被提议在超声引导硬膜外注射过程中帮助操作者。使用这些先进的人工智能方法可以提高操作的准确性，减少可能的并发症，同时加快操作速度；在可预见的未来，了解是否使用、如何使用以及何时使用这些方法应该成为规划时要考虑的一个因素。

统计学和ML算法

在ML出现之前，所有的预测性操作都是使用预测性统计学来进行的。统计学预测起源于古典统计学，而ML起源于计算机科学。这两种方法虽有共同的性质，但都有各自的特点。Choong等人很好地总结了经典统计分析和医学大数据分析之间的主要区别，如果在第一种情况下我们需要先验假设，那么在第二种情况下，系统会从数据中学习，生成假设并确定预测模式。ML有不同的类型：根据预期输出是否事先确定，传统地分为有监督和无监督。从我们的分析和一项预期的研究来看，使用的ML的主要类型是监督型的，其中决策树和随机森林的利用率最高。考虑到目标之一是帮助医院管理者更好地理解分类方法的原理，决策树以其强大的的质量预测能力成为首选方法，因为它可以产生一个易于管理者理解的输出（而神经网络等技术则不能）。理解其工作方式对于能够利用这些新技术的所有功能无疑是必不可少的。因此，获得信息技术和大数据管理方面的认证也是至关重要的，这也是为了克服来自主管部门和行政部门的障碍和不信任。

述评：

人工智能早已渗入至医疗的各个领域能够辅助医疗，优化临床决策，在围术期与麻醉学科的运用亦呈现方兴未艾之势，包括但不限于围术期不良时间与风险的早期预警识别、麻醉闭环给药系统的精准控制、基与EEG的全麻深度精准监测及疼痛的精确管理等。本文通过检索近年来ML运用于手术室管理的相关文献，涉及的分析变量包括手术时间的预测、PACU的组织管理与手术取消等，文章结论提示 ML在手术室领域具有巨大潜力。

但是另一方面值得我们关注的是：尽管这些技术在OR管理中具有巨大潜力，但目前在该领域的适用性也同样存有局限性。ML程序的实现需要足够数量的数据，结果才具有足够的实用性与准确性，否则其得出的结果可能是错误的且没有意义。本项回顾因数据获取的限制（很多数据并不是开源的）以及各研究的终点事件定义差异等原因，数据量不足以进行meta-analysis，因此仍有待于未来进一步研究，同时ML用于手术室管理其他项目的优化及围术期医学等方面仍有待于更多的数据支持。

编译：史瑞珍述评：罗猛强