✖


Jump to content

Методы прогнозирования продолжительности операции

Прогнозы продолжительности операции (SD) используются для планирования плановых/плановых операций, чтобы оптимизировать коэффициент использования операционных залов (максимизировать с учетом политических ограничений). Примером ограничения является то, что заранее заданный допуск для процента отложенных операций (из-за недоступности операционной (ИЛИ) или места в палате послеоперационного периода) не должен быть превышен. Тесная связь между прогнозированием СД и планированием хирургического вмешательства является причиной того, что чаще всего научные исследования, связанные с методами планирования, затрагивают также методы прогнозирования СД, и наоборот . Известно, что продолжительность операций сильно варьируется. Таким образом, методы прогнозирования СО пытаются, с одной стороны, уменьшить изменчивость (посредством стратификации и ковариат , как подробно описано ниже), а с другой стороны, используют наилучшие доступные методы для получения прогнозов СО. Чем точнее прогнозы, тем лучше планирование операций (с точки зрения необходимой оптимизации использования операционной).

Метод прогнозирования SD в идеале должен обеспечить прогнозируемое статистическое распределение SD (с указанием распределения и оценкой его параметров). После того как распределение SD полностью задано, из него можно извлечь различные желаемые типы информации, например, наиболее вероятную продолжительность (режим) или вероятность того, что SD не превысит определенное пороговое значение. В менее амбициозных обстоятельствах метод прогнозирования мог бы, по крайней мере, предсказать некоторые основные свойства распределения, такие как параметры местоположения и масштаба (среднее значение, медиана , мода, стандартное отклонение или коэффициент вариации , CV). Определенные желаемые процентили распределения также могут быть целью оценки и прогнозирования. Оценки экспертов, эмпирические гистограммы распределения (основанные на исторических компьютерных записях), методы интеллектуального анализа данных и обнаружения знаний часто заменяют идеальную цель полного определения теоретического распределения СО.

Снижение изменчивости стандартного отклонения до прогнозирования (как упоминалось ранее) обычно рассматривается как неотъемлемая часть метода прогнозирования стандартного отклонения. Вероятнее всего, СД имеет, помимо случайной вариации, еще и систематический компонент, а именно, на распределение СД могут влиять различные сопутствующие факторы (например, специальность врача, состояние или возраст пациента, профессиональный опыт и размер медицинской бригады, количество операций в хирург должен работать посменно, в зависимости от типа применяемого анестетика). Учет этих факторов (посредством стратификации или ковариат) уменьшит вариабельность стандартного отклонения и повысит точность метода прогнозирования. Включение экспертных оценок (например, оценок хирургов) в прогностическую модель также может способствовать уменьшению неопределенности прогнозирования СО на основе данных. Часто статистически значимые ковариаты (также называемые факторами, предикторами или объясняющими переменными) сначала идентифицируются (например, с помощью простых методов, таких как линейная регрессия и обнаружение знаний ), и только позже более сложные методы. больших данных используются методы , такие как искусственный интеллект и машинное обучение Для получения окончательного прогноза .

Обзоры литературы по исследованиям, посвященным планированию операций, чаще всего также касаются соответствующих методов прогнозирования СД. Вот несколько примеров (сначала последние). [1] [2] [3] [4]

В оставшейся части статьи рассматриваются различные точки зрения, связанные с процессом создания прогнозов СО: статистические распределения СО , методы уменьшения изменчивости СО (стратификация и ковариаты) , прогностические модели и методы и хирургия как рабочий процесс . Последний касается характеристики хирургического вмешательства как рабочего процесса (повторяющегося, полуповторяющегося или без памяти) и его влияния на форму распределения SD.

Статистические распределения SD

[ редактировать ]

Теоретические модели

[ редактировать ]

Самый простой метод прогнозирования SD включает в себя указание набора существующих статистических распределений и подбора распределения выбор наиболее подходящего распределения на основе имеющихся данных и критериев . Существует большой объем сравнительных исследований, в которых делается попытка выбрать наиболее подходящие модели для распределения SD. Чаще всего обращаются к нормальному распределению , трехпараметрическому логнормальному распределению , гамма-распределению (включая экспоненциальное) и распределению Вейбулла . Менее частыми «пробными» распределениями (для целей подгонки) являются логлогистическая модель Берра, обобщенная гамма и кусочно-постоянная модель риска . попытках представить распределение SD как смешанное распределение Также сообщалось о (нормально-нормальное, логнормально-логнормальное и смеси Вейбулла – Гаммы). Иногда разрабатываются методы прогнозирования, действительные для общего распределения стандартного отклонения, или более продвинутые методы, такие как оценка плотности ядра (KDE), используются вместо традиционных методов (например, методов подбора распределения или методов, ориентированных на регрессию). Существует широкий консенсус в отношении того, что трехпараметрическое логарифмически нормальное распределение лучше всего описывает большинство SD-распределений. новый семейство Недавно было разработано распределений SD, включающее нормальное, логнормальное и экспоненциальное как точные частные случаи. Вот несколько примеров (сначала последние). [5] [6] [7] [8] [9] [10] [11] [12] [13] [14]

Использование исторических записей для определения эмпирического распределения

[ редактировать ]

В качестве альтернативы указанию теоретического распределения в качестве модели стандартного отклонения можно использовать записи для построения гистограммы доступных данных и использовать соответствующую эмпирическую функцию распределения (кумулятивный график) для оценки различных требуемых процентилей (например, медианы или третьего квартиля) . ). Исторические записи/экспертные оценки также могут использоваться для определения параметров местоположения и масштаба без указания модели распределения SD.

Методы интеллектуального анализа данных

[ редактировать ]

Эти методы в последнее время получили распространение в качестве альтернативы предварительному определению теоретической модели для описания распределения SD для всех типов операций. Примеры подробно описаны ниже («Прогностические модели и методы»).

Сокращение изменчивости стандартного отклонения (стратификация и ковариаты)

[ редактировать ]

Для повышения точности прогнозирования СО используются два основных подхода к уменьшению изменчивости данных СО: стратификация и ковариаты (включенные в прогностическую модель). Ковариаты часто упоминаются в литературе также как факторы, эффекты, объясняющие переменные или предикторы.

Стратификация

[ редактировать ]

Этот термин означает, что имеющиеся данные разделены (стратифицированы) на подгруппы в соответствии с критерием, который, как статистически показано, влияет на распределение стандартного отклонения. Затем метод прогнозирования направлен на получение прогноза СО для определенных подгрупп, имеющих СО со значительно уменьшенной вариабельностью. Примерами критериев стратификации являются медицинская специальность, системы процедурных кодов , тяжесть состояния пациента или больница/хирург/технология (с результирующими моделями, относящимися к конкретной больнице, хирургу или технологии). Примерами внедрения являются Современная процедурная терминология (CPT) и Коды диагностики и процедур МКБ-9-CM (Международная классификация болезней, 9-й пересмотр, клиническая модификация). [5] [15] [16] [17]

Ковариаты (факторы, эффекты, объясняющие переменные, предикторы)

[ редактировать ]

Этот подход к уменьшению изменчивости включает в модель прогнозирования ковариаты. Затем тот же метод прогнозирования может быть применен в более широком смысле, при этом ковариаты принимают разные значения для разных уровней факторов, которые, как показано, влияют на распределение стандартного отклонения (обычно путем воздействия на параметр местоположения, такой как среднее значение, и, реже, также на параметр масштаба, например дисперсия). Самый простой метод включения ковариат в метод прогнозирования заключается в предположении, что распределение SD имеет логарифмически нормальное распределение. Зарегистрированные данные (с учетом данных стандартного отклонения) затем представляют собой нормально распределенную популяцию, что позволяет использовать множественную линейную регрессию для обнаружения статистически значимых факторов. другие методы регрессии, которые не требуют нормальности данных или устойчивы к ее нарушению ( обобщенные линейные модели , нелинейная регрессия ) и методы искусственного интеллекта (ссылки отсортированы в хронологическом порядке, начиная с последних). Также использовались [14] [18] [19] [20] [21] [22] [23] [24] [25] [26] [27] [28] [29] [30]

Прогнозные модели и методы

[ редактировать ]

Ниже приводится репрезентативный (неисчерпывающий) список моделей и методов, используемых для прогнозирования СО (в произвольном порядке). Их или их смесь можно найти в образце репрезентативных ссылок ниже:

Линейная регрессия (ЛР); Сплайны многомерной адаптивной регрессии (MARS); Случайные леса (РФ); машинное обучение ; Интеллектуальный анализ данных (грубые наборы, нейронные сети); Обнаружение знаний в базах данных (KDD); Модель хранилища данных (используется для извлечения данных из различных, возможно, невзаимодействующих баз данных); Оценка плотности ядра (KDE); Складной нож ; Моделирование Монте-Карло . [31] [32] [33] [34] [35] [2] [36] [37] [38] [39] [40]

Хирургия как рабочий процесс (повторяющийся, полуповторяющийся, без памяти )

[ редактировать ]

Хирургия — это рабочий процесс, и она также требует затрат для достижения желаемого результата — выздоравливающего после операции пациента. Примерами затрат рабочего процесса из «Технологии производства » являются пять М — «деньги, рабочая сила, материалы, оборудование, методы» (где «рабочая сила» относится к человеческому элементу в целом). Как и все рабочие процессы в промышленности и сфере услуг, хирургические операции также имеют определенное характерное содержание работы, которое может быть в разной степени нестабильным (в пределах определенной статистической совокупности, на которую нацелен метод прогнозирования). Это создает источник изменчивости SD, который влияет на форму распределения SD (от нормального распределения для чисто повторяющихся процессов до экспоненциального распределения для процессов без памяти). Игнорирование этого источника может спутать его изменчивость с изменчивостью, обусловленной ковариатами (как подробно описано ранее). Следовательно, поскольку все рабочие процессы можно разделить на три типа (повторяющиеся, полуповторяющиеся, без памяти), операции можно разделить аналогичным образом. Недавно была разработана стохастическая модель, учитывающая нестабильность содержания работы, которая обеспечивает семейство распределений, в которых нормальное/логнормальное и экспоненциальное распределение являются особыми частными случаями. Данная модель была применена для построения статистической схемы управления процессом СД. [5] [41] [42]

Ссылки

[ редактировать ]
  1. ^ Рахими, Иман; Гандоми, Амир Х. (11 мая 2020 г.). «Комплексный обзор и анализ операционной и планирования операций» . Архив вычислительных методов в технике . 28 (3): 1667–1688. дои : 10.1007/s11831-020-09432-2 . hdl : 10453/145725 . ISSN   1886-1784 . S2CID   219421229 .
  2. ^ Перейти обратно: а б Беллини, Валентина; Гусзон, Марко; Бильярди, Барбара; Мордонини, Моника; Филиппелли, Серена; Бигнами, Елена (январь 2020 г.). «Искусственный интеллект: новый инструмент управления операционной. Роль моделей машинного обучения в оптимизации операционной» . Журнал медицинских систем . 44 (1): 20. дои : 10.1007/s10916-019-1512-1 . ISSN   0148-5598 . ПМИД   31823034 . S2CID   209169574 .
  3. ^ Чжу, Шуван; Фань, Вэньцзюань; Ян, Шанлинь; Пей, Джун; Пардалос, Панос М. (01 апреля 2019 г.). «Планирование операционной и планирование хирургического случая: обзор литературы» . Журнал комбинаторной оптимизации . 37 (3): 757–805. дои : 10.1007/s10878-018-0322-6 . ISSN   1573-2886 . S2CID   85562744 .
  4. ^ Кардоэн, Брехт; Демельмейстер, Эрик; Белиен, Йерун (март 2010 г.). «Планирование и планирование операционной: обзор литературы» . Европейский журнал операционных исследований . 201 (3): 921–932. дои : 10.1016/j.ejor.2009.04.011 . S2CID   11003991 .
  5. ^ Перейти обратно: а б с Шор, Хаим (02 апреля 2020 г.). «Объясняющая двумерная модель длительности операции и ее эмпирическая проверка» . Коммуникации в статистике . 6 (2): 142–166. дои : 10.1080/23737484.2020.1740066 . ISSN   2373-7484 . S2CID   218927900 .
  6. ^ Таафф, Кевин; Пирс, Брайан; Ричи, Гилберт (2021). «Использование оценки плотности ядра для моделирования продолжительности хирургической процедуры» . Международные сделки в области операционных исследований . 28 (1): 401–418. дои : 10.1111/itor.12561 . ISSN   1475-3995 .
  7. ^ Юстра, Пол; Мистер, Рейнир; ван Офем, Ганс (июнь 2013 г.). «Могут ли статистики превзойти хирургов при планировании операций?» . Эмпирическая экономика . 44 (3): 1697–1718. дои : 10.1007/s00181-012-0594-0 . hdl : 10.1007/s00181-012-0594-0 . ISSN   0377-7332 . S2CID   89603919 .
  8. ^ Чой, Сангдо; Вильгельм, Уилберт Э. (01 апреля 2012 г.). «Анализ операций секвенирования, продолжительность которых соответствует логнормальному, гамма- или нормальному распределению» . Сделки IIE по системной инженерии здравоохранения . 2 (2): 156–171. дои : 10.1080/19488300.2012.684272 . ISSN   1948-8300 . S2CID   120620428 .
  9. ^ Чакраборти, Сантану; Мутураман, Кумар; Лоули, Марк (26 февраля 2010 г.). «Последовательное клиническое планирование с учетом неявок пациентов и общего распределения времени обслуживания» . Операции IIE . 42 (5): 354–366. дои : 10.1080/07408170903396459 . ISSN   0740-817X . S2CID   18947312 .
  10. ^ Эйкеманс, Маринус Дж. К.; ван Хоуденховен, Марк; Нгуен, Тьен; Боерсма, Эрик; Стейерберг, Юаут В.; Каземир, Герт (1 января 2010 г.). «Прогнозирование непредсказуемого: новая модель прогнозирования времени работы операционной с использованием индивидуальных характеристик и оценок хирурга» . Анестезиология . 112 (1): 41–49. дои : 10.1097/ALN.0b013e3181c294c2 . ISSN   0003-3022 . ПМИД   19952726 . S2CID   27705870 .
  11. ^ Спенглер, Уильям Э.; Страм, Дэвид П.; Варгас, Луис Г.; Мэй, Джерролд Х. (1 мая 2004 г.). «Оценка времени процедур для операций путем определения параметров местоположения для логнормальной модели» . Наука управления здравоохранением . 7 (2): 97–104. дои : 10.1023/B:HCMS.0000020649.78458.98 . ISSN   1572-9389 . ПМИД   15152974 . S2CID   31286297 .
  12. ^ Страм, Дэвид П.; Мэй, Джеррольд Х.; Сэмпсон, Аллан Р.; Варгас, Луис Г.; Спенглер, Уильям Э. (1 января 2003 г.). «Оценка времени операций с помощью двухкомпонентных процедур: сравнение логнормальных и нормальных моделей» . Анестезиология . 98 (1): 232–240. дои : 10.1097/00000542-200301000-00035 . ISSN   0003-3022 . ПМИД   12503002 . S2CID   13326275 .
  13. ^ Мэй, Джеррольд Х.; Страм, Дэвид П.; Варгас, Луис Г. (2000). «Подбор логнормального распределения ко времени хирургических процедур*» . Науки о принятии решений . 31 (1): 129–148. дои : 10.1111/j.1540-5915.2000.tb00927.x . ISSN   1540-5915 .
  14. ^ Перейти обратно: а б Страм, Дэвид П.; Мэй, Джеррольд Х.; Варгас, Луис Г. (1 апреля 2000 г.). «Моделирование неопределенности времени хирургической процедуры» . Анестезиология . 92 (4): 1160–1167. дои : 10.1097/00000542-200004000-00035 . ISSN   0003-3022 . ПМИД   10754637 . S2CID   17273369 .
  15. ^ Декстер, Франклин; Декстер, Элизабет У.; Ледольтер, Йоханнес (апрель 2010 г.). «Влияние классификации процедур на вариабельность процесса и неопределенность параметров продолжительности хирургического вмешательства» . Анестезия и анальгезия . 110 (4): 1155–1163. дои : 10.1213/ANE.0b013e3181d3e79d . ISSN   0003-2999 . ПМИД   20357155 . S2CID   7546223 .
  16. ^ Ли, Ин; Чжан, Сайцзюань; Боуг, Реджинальд Ф.; Хуан, Цзяньхуа З. (30 ноября 2009 г.). «Прогнозирование продолжительности хирургического случая с использованием плохо обусловленной матрицы кода CPT» . Операции IIE . 42 (2): 121–135. дои : 10.1080/07408170903019168 . ISSN   0740-817X . S2CID   33971174 .
  17. ^ Степаньяк, Питер С.; Привет, Кристиан; Маннартс, Гвидо Х.Х.; де Келеридж, Марсель; де Врис, Гус (октябрь 2009 г.). «Процедура моделирования и время хирургического вмешательства для современных комбинаций процедурной терминологии, анестезии и хирурга и оценка с точки зрения прогнозирования продолжительности случая и эффективности операционной: многоцентровое исследование» . Анестезия и анальгезия . 109 (4): 1232–1245. дои : 10.1213/ANE.0b013e3181b5de07 . ISSN   0003-2999 . ПМИД   19762753 . S2CID   5501541 .
  18. ^ Ван, Джин; Кабрера, Хавьер; Цуй, Квок-Леунг; Го, Хайнань; Баккер, Моник; Костис, Джон Б. (10 февраля 2020 г.). «Клиническое и доклиническое влияние на продолжительность операции: данные из базы данных по торакальной хирургии» . Журнал медицинской техники . 2020 : 1–8. дои : 10.1155/2020/3582796 . ПМК   7035554 . ПМИД   32104558 .
  19. ^ Паркер, Сара Хенриксон; Лей, Сюэ; Фитцгиббонс, Симаэ; Мецгер, Томас; Саффорд, Шон; Каплан, Сет (ноябрь 2020 г.). «Влияние знакомства хирургической бригады на продолжительность процедуры и продолжительность пребывания: противоречивые отношения между процедурами, членами бригады и местами» . Всемирный журнал хирургии . 44 (11): 3658–3667. дои : 10.1007/s00268-020-05657-1 . ISSN   0364-2313 . ПМИД   32661690 . S2CID   220506263 .
  20. ^ Повецка, Катажина; Нормахани, Паша; Стэндфилд, Найджел Дж.; Джаффер, Усман (01 марта 2020 г.). «Новый показатель знакомства рабочих групп является предиктором продолжительности процедуры: ретроспективный байесовский анализ» . Журнал сосудистой хирургии . 71 (3): 959–966. дои : 10.1016/j.jvs.2019.03.085 . ISSN   0741-5214 . ПМИД   31401113 . S2CID   199540652 .
  21. ^ Ван, Джин; Кабрера, Хавьер; Цуй, Квок-Леунг; Го, Хайнань; Баккер, Моник; Костис, Джон Б. (10 февраля 2020 г.). «Клиническое и доклиническое влияние на продолжительность операции: данные из базы данных по торакальной хирургии» . Журнал медицинской техники . 2020 : 1–8. дои : 10.1155/2020/3582796 . ISSN   2040-2295 . ПМК   7035554 . ПМИД   32104558 .
  22. ^ Тан, КВ; Нгуен, ФНХЛ; Анг, BY; Ган, Дж.; Лам, Юго-Запад (август 2019 г.). «Модель прогнозирования продолжительности хирургического вмешательства на основе данных для планирования хирургического вмешательства: практический пример практической модели в государственной больнице» . 2019 IEEE 15-я Международная конференция по науке и технике автоматизации (CASE) . стр. 275–280. дои : 10.1109/COASE.2019.8843299 . ISBN  978-1-7281-0356-3 . S2CID   202701068 .
  23. ^ ван Эйк, Рубен П.А.; ван Вин-Берккс, Элизабет; Каземир, Герт; Эйкеманс, Маринус Дж. К. (август 2016 г.). «Влияние отдельных хирургов и анестезиологов на время операционной» . Анестезия и анальгезия . 123 (2): 445–451. дои : 10.1213/ANE.0000000000001430 . ISSN   0003-2999 . ПМИД   27308953 . S2CID   21344455 .
  24. ^ Кайыш, Энис; Ханиев, Таги Т.; Суэрмондт, Яап; Сильвестр, Карл (01 сентября 2015 г.). «Надежная модель оценки длительности операций с временными, операционными эффектами и эффектами хирургической бригады» . Наука управления здравоохранением . 18 (3): 222–233. дои : 10.1007/s10729-014-9309-8 . ISSN   1572-9389 . ПМИД   25501470 . S2CID   28157635 .
  25. ^ Гиллеспи, Бриджит М.; Шабойе, Венди; Фэйрвезер, Николь (01 января 2012 г.). «Факторы, влияющие на ожидаемую продолжительность эксплуатации: результаты проспективного исследования» . Качество и безопасность BMJ . 21 (1): 3–12. дои : 10.1136/bmjqs-2011-000169 . hdl : 10072/47509 . ISSN   2044-5415 . ПМИД   22003174 . S2CID   9857941 .
  26. ^ Кайис, Энис; Ван, Хайян; Патель, Мегна; Гонсалес, Тере; Джайн, Шелен; Рамамурти, Р.Дж.; Сантос, Чиприано; Сингхал, Шарад; Суэрмондт, Яап; Сильвестр, Карл (2012). «Улучшение прогнозирования продолжительности операции с использованием операционных и временных факторов» . AMIA ... Материалы ежегодного симпозиума. Симпозиум АМИА . 2012 : 456–462. ISSN   1942-597Х . ПМК   3540440 . ПМИД   23304316 .
  27. ^ Палмер, Филипп Б.; О'Коннелл, Деннис Г. (сентябрь 2009 г.). «Регрессионный анализ для прогнозирования: понимание процесса» . Журнал сердечно-легочной физиотерапии . 20 (3): 23–26. дои : 10.1097/01823246-200920030-00004 . ISSN   2374-8907 . ПМЦ   2845248 . ПМИД   20467520 .
  28. ^ Декстер, Франклин; Декстер, Элизабет У.; Масурский, Даниэль; Нуссмайер, Нэнси А. (апрель 2008 г.). «Систематический обзор статей по общей торакальной хирургии для определения предсказателей продолжительности случаев в операционной» . Анестезия и анальгезия . 106 (4): 1232–1241. дои : 10.1213/ane.0b013e318164f0d5 . ISSN   0003-2999 . ПМИД   18349199 . S2CID   24481667 .
  29. ^ Баллантайн, Гарт Х.; Юинг, Дуглас; Капелла, Рафаэль Ф.; Капелла, Джозеф Ф.; Дэвис, Дэн; Шмидт, Ганс Дж.; Василевский, Аннетт; Дэвис, Ричард Дж. (1 февраля 2005 г.). «Кривая обучения, измеренная по времени операций при лапароскопическом и открытом желудочном шунтировании: роль опыта хирурга, институционального опыта, индекса массы тела и стажировки» . Хирургия ожирения . 15 (2): 172–182. дои : 10.1381/0960892053268507 . ISSN   1708-0428 . ПМИД   15810124 . S2CID   9083869 .
  30. ^ Страм, Дэвид П.; Сэмпсон, Аллан Р.; Мэй, Джеррольд Х.; Варгас, Луис Г. (01 мая 2000 г.). «Хирург и тип анестезии предсказывают вариабельность времени хирургической процедуры» . Анестезиология . 92 (5): 1454–1466. дои : 10.1097/00000542-200005000-00036 . ISSN   0003-3022 . ПМИД   10781292 . S2CID   18089668 .
  31. ^ Сох, КВ; Уокер, К.; О'Салливан, М.; Уоллес, Дж. (02 января 2020 г.). «Оценка гибридной модели для прогнозирования продолжительности операции» . Журнал медицинских систем . 44 (2): 42. дои : 10.1007/s10916-019-1501-4 . ISSN   1573-689X . ПМИД   31897758 . S2CID   209541497 .
  32. ^ Сох, КВ; Уокер, К.; О'Салливан, М.; Уоллес, Дж. (01 октября 2020 г.). «Сравнение усреднения моделей складного ножа и гибридного ускорения для прогнозирования продолжительности операции: практический пример» . С.Н. Информатика . 1 (6): 316. дои : 10.1007/s42979-020-00339-0 . ISSN   2661-8907 .
  33. ^ Цзяо, Йорк; Шарма, Аншуман; Бен Абдаллах, Арби; Мэддокс, Томас М.; Каннампаллил, Томас (9 декабря 2020 г.). «Вероятностное прогнозирование продолжительности хирургического случая с использованием машинного обучения: разработка и проверка модели» . Журнал Американской ассоциации медицинской информатики . 27 (12): 1885–1893. дои : 10.1093/jamia/ocaa140 . ISSN   1527-974X . ПМЦ   7727362 . ПМИД   33031543 .
  34. ^ Розарио, Наташа; Розарио, Дункан (12 ноября 2020 г.). «Может ли машинное обучение оптимизировать эффективность операционной в эпоху COVID-19?» . Канадский журнал хирургии . 63 (6): E527–E529. дои : 10.1503/cjs.016520 . ПМЦ   7747850 . ПМИД   33180692 .
  35. ^ Бартек, Мэтью А.; Саксена, Раджив К.; Соломон, Стюарт; Фонг, Кристин Т.; Бехара, Лакшмана Д.; Венигандла, Равитея; Велагапуди, Кальяни; Ланг, Джон Д.; Наир, Бала Г. (октябрь 2019 г.). «Повышение эффективности операционной: подход машинного обучения для прогнозирования продолжительности лечения» . Журнал Американского колледжа хирургов . 229 (4): 346–354.е3. doi : 10.1016/j.jamcollsurg.2019.05.029 . ПМК   7077507 . ПМИД   31310851 .
  36. ^ Туватананурак, Джастин П.; Заде, Шаян; Сюй, Синьлин; Ваканти, Джошуа А.; Фултон, Уильям Р.; Эренфельд, Джесси М.; Урман, Ричард Д. (17 января 2019 г.). «Машинное обучение может улучшить оценку продолжительности хирургического вмешательства: пилотное исследование» . Журнал медицинских систем . 43 (3): 44. дои : 10.1007/s10916-019-1160-5 . ISSN   1573-689X . ПМИД   30656433 . S2CID   58014888 .
  37. ^ Чжао, Бэйцюнь; Уотерман, Рут С.; Урман, Ричард Д.; Габриэль, Родни А. (05 января 2019 г.). «Подход машинного обучения к прогнозированию продолжительности случая роботизированной хирургии» . Журнал медицинских систем . 43 (2): 32. doi : 10.1007/s10916-018-1151-y . ISSN   1573-689X . ПМИД   30612192 . S2CID   57447853 .
  38. ^ Хоссейни, Н.; Сэр, МОЙ; Янковский, CJ; Пасупати, КС (2015). «Оценка продолжительности хирургического вмешательства с помощью интеллектуального анализа данных и прогнозного моделирования: практический пример» . AMIA ... Материалы ежегодного симпозиума. Симпозиум АМИА . 2015 : 640–648. ISSN   1942-597Х . ПМЦ   4765628 . ПМИД   26958199 .
  39. ^ Шахаби Каргар, Захра; Ханна, Санкальп; Хорошо, Норм; Саттар, Абдул; Линд, Джеймс; О'Дуайер, Джон (2014). Фам, Дык-Нгиа; Пак, Сон Бэ (ред.). «Прогнозирование продолжительности процедуры для улучшения планирования плановой операции» . PRICAI 2014: Тенденции в области искусственного интеллекта . Конспекты лекций по информатике. 8862 . Чам: Springer International Publishing: 998–1009. дои : 10.1007/978-3-319-13560-1_86 . ISBN  978-3-319-13560-1 .
  40. ^ Комбс, К.; Мескенс, Н.; Риват, К.; Вандам, Ж.-П. (01 марта 2008 г.). «Использование процесса KDD для прогнозирования продолжительности операции» . Международный журнал экономики производства . 112 (1): 279–293. дои : 10.1016/j.ijpe.2006.12.068 . ISSN   0925-5273 .
  41. ^ Шор, Хаим (2020). «Схема SPC для контроля продолжительности операции» . Международная компания по обеспечению качества и надежности . 37 (4): 1561–1577. дои : 10.1002/qre.2813 . ISSN   1099-1638 . S2CID   229442000 .
  42. ^ Шор, Хаим (13 декабря 2021 г.). «Оценка коэффициента использования операционной для различного распределения времени операции» . Международный журнал производственных исследований . 61 (2): 447–461. дои : 10.1080/00207543.2021.2009141 . ISSN   0020-7543 . S2CID   245200753 .
Retrieved from "https://en.wikipedia.org/w/index.php?title=Predictive_methods_for_surgery_duration&oldid=1187188166"
Arc.Ask3.Ru: конец переведенного документа.
Arc.Ask3.Ru
Номер скриншота №: ac859c7dc9aff56d4d9ff027b68b29c7__1701120000
URL1:https://arc.ask3.ru/arc/aa/ac/c7/ac859c7dc9aff56d4d9ff027b68b29c7.html
Заголовок, (Title) документа по адресу, URL1:
Predictive methods for surgery duration - Wikipedia
Данный printscreen веб страницы (снимок веб страницы, скриншот веб страницы), визуально-программная копия документа расположенного по адресу URL1 и сохраненная в файл, имеет: квалифицированную, усовершенствованную (подтверждены: метки времени, валидность сертификата), открепленную ЭЦП (приложена к данному файлу), что может быть использовано для подтверждения содержания и факта существования документа в этот момент времени. Права на данный скриншот принадлежат администрации Ask3.ru, использование в качестве доказательства только с письменного разрешения правообладателя скриншота. Администрация Ask3.ru не несет ответственности за информацию размещенную на данном скриншоте. Права на прочие зарегистрированные элементы любого права, изображенные на снимках принадлежат их владельцам. Качество перевода предоставляется как есть. Любые претензии, иски не могут быть предъявлены. Если вы не согласны с любым пунктом перечисленным выше, вы не можете использовать данный сайт и информация размещенную на нем (сайте/странице), немедленно покиньте данный сайт. В случае нарушения любого пункта перечисленного выше, штраф 55! (Пятьдесят пять факториал, Денежную единицу (имеющую самостоятельную стоимость) можете выбрать самостоятельно, выплаичвается товарами в течение 7 дней с момента нарушения.)