Prediction of surgical operation durations using supervised machine learning techniques

Abstract

There's an ever increasing number of patients referred to healthcare facilities and hospitals. The healthcare facilities have two main options to deal with this situation. They have to either employ and acquire more resources or they should use the existing staff and resources more efficiently and effectively. The first option is not always feasible due to the fact that the healthcare facilities have limitations on both the staff they can employ and the resources they can acquire. Given the fact that these resources are expensive and extra resources provide diminishing returns, it is important to make the best use of resources available. Operating rooms and surgeons are the most expensive and scarce resources in hospitals; so it is crucial to optimize their performance and avoid under and over utilized operating rooms. The aim of this study is to employ supervised machine learning techniques and probabilistic graphical models to predict the duration of surgical operations using historical data. We have used a wide spectrum of different models ranging from regression methods, classification methods, and Bayesian Networks to predict the surgical operation durations. The models built based on Bayesian Networks, in general, produce more accurate results with lower errors. Naive Bayes, however, outperforms the other Bayesian-Network based models with an average accuracy of 66.9% and root mean square error of 998 seconds (16.6 minutes) from the true duration of the operation. Provided with accurate estimation of surgical operation durations, it is possible to build optimization models to utilize healthcare facility resources. This allows healthcare facilities' managers to create tactical (medium term) plans and to increase efficient utilization of operating rooms and surgeons.

Hastanelerdeki hasta sayısı giderek artmaktadır. Sağlık kuruluşlarının bununla başedebilmek için iki seçeneği bulunmaktadır: daha fazla cerrah ve kaynak edinmek veya var olan kaynağı daha verimli kullanmak. İstihdam edilebilecek cerrahi personel ve kaynaklarda reel bütçeden dolayı kısıtlar olması ve daha fazla kapasitenin getirisinin giderek azalan yapıda olması nedeniyle var olanı daha verimli kullanmak daha önemli hale gelmektedir. Ameliyathane ve cerrahlar hastanelerdeki en kıt kaynaklar oldukları için ise bunların zaman performansını optimize edecek zaman çizelgelerinin çıkartılabilmesi kritiktir. Bu çalışmanın amacı geçmiş veriden ameliyat sürelerini daha doğru tahmin edecek bir modelin güdümlü makine ögrenme teknikleri ile geliştirilmesidir. Geniş bir gamda regresyon ve sınıflandırma modeli denenmiş, bunlar arasında Bayes Ağı tabanlı modellerin genel olarak daha az hata gösterdikleri bulunmuştur. Bunun yanında Saf (Naive) Bayes modellerin ortalama %66.87 doğruluk ve gerçek ameliyat süresinden 998 saniye (16.6 dk.) karesel ortalama hata ile diğer Bayes modellerinden daha iyi sonuç verdiği görülmüştür. Ameliyat sürelerinin doğru tahmini ile sağlık kurumu kaynaklarının kullanımını optimize edebilecek modeller geliştirmek mümkün olacaktır. Bu da sağlık kurumu yöneticilerinin taktik (orta vade) planlamalarını ameliyathane ve cerrah kullanımının verimini artıracak şekilde yapabilmelerine imkan kılacaktır.