stringtranslate.com

Métodos predictivos de la duración de la cirugía

Las predicciones de la duración de la cirugía (DE) se utilizan para programar cirugías planificadas/electivas de modo que se optimice la tasa de utilización de los quirófanos (maximizada sujeta a restricciones de políticas). Un ejemplo de una restricción es que no se exceda una tolerancia preestablecida para el porcentaje de cirugías pospuestas (debido a la falta de espacio en el quirófano (OR) o en la sala de recuperación). El estrecho vínculo entre la predicción de la DE y la programación de la cirugía es la razón por la que la mayoría de las veces la investigación científica relacionada con los métodos de programación aborda también los métodos predictivos de la DE y viceversa . Se sabe que las duraciones de las cirugías tienen una gran variabilidad. Por lo tanto, los métodos predictivos de la DE intentan, por un lado, reducir la variabilidad (a través de la estratificación y las covariables , como se detalla más adelante), y por el otro emplean los mejores métodos disponibles para producir predicciones de la DE. Cuanto más precisas sean las predicciones, mejor será la programación de las cirugías (en términos de la optimización de la utilización del quirófano requerida).

Un método predictivo de SD idealmente entregaría una distribución estadística de SD predicha (especificando la distribución y estimando sus parámetros). Una vez que la distribución de SD está completamente especificada, se podrían extraer de ella varios tipos deseados de información, por ejemplo, la duración más probable (moda), o la probabilidad de que SD no exceda un cierto valor umbral. En circunstancias menos ambiciosas, el método predictivo al menos predeciría algunas de las propiedades básicas de la distribución, como los parámetros de ubicación y escala (media, mediana , moda, desviación estándar o coeficiente de variación , CV). Ciertos percentiles deseados de la distribución también pueden ser el objetivo de la estimación y predicción. Las estimaciones de expertos, los histogramas empíricos de la distribución (basados ​​en registros informáticos históricos), la minería de datos y las técnicas de descubrimiento de conocimiento a menudo reemplazan el objetivo ideal de especificar completamente la distribución teórica de SD.

La reducción de la variabilidad de la desviación estándar antes de la predicción (como se mencionó anteriormente) se considera comúnmente como parte integral del método predictivo de la desviación estándar. Lo más probable es que la desviación estándar tenga, además de la variación aleatoria, también un componente sistemático, es decir, la distribución de la desviación estándar puede verse afectada por varios factores relacionados (como la especialidad médica, la condición o edad del paciente, la experiencia profesional y el tamaño del equipo médico, la cantidad de cirugías que un cirujano debe realizar en un turno, el tipo de anestesia administrada). Tener en cuenta estos factores (a través de la estratificación o covariables) disminuiría la variabilidad de la desviación estándar y mejoraría la precisión del método predictivo. La incorporación de estimaciones de expertos (como las de los cirujanos) en el modelo predictivo también puede contribuir a disminuir la incertidumbre de la predicción de la desviación estándar basada en datos. A menudo, las covariables estadísticamente significativas (también relacionadas como factores, predictores o variables explicativas) se identifican primero (por ejemplo, a través de técnicas simples como la regresión lineal y el descubrimiento de conocimiento ), y solo más tarde se emplean técnicas de big data más avanzadas , como la inteligencia artificial y el aprendizaje automático , para producir la predicción final.

Las revisiones de la literatura de estudios que abordan la programación de cirugías también abordan con mayor frecuencia métodos de predicción de la desviación estándar relacionados. A continuación se presentan algunos ejemplos (el más reciente primero). [1] [2] [3] [4]

El resto de esta entrada revisa varias perspectivas asociadas con el proceso de producción de predicciones de SD: distribuciones estadísticas de SD , métodos para reducir la variabilidad de SD (estratificación y covariables) , modelos y métodos predictivos y la cirugía como un proceso de trabajo . Este último aborda la caracterización de la cirugía como un proceso de trabajo (repetitivo, semirrepetitivo o sin memoria) y su efecto en la forma de distribución de SD.

Distribuciones estadísticas SD

Modelos teóricos

Un método predictivo de SD más sencillo comprende especificar un conjunto de distribuciones estadísticas existentes y, en función de los datos disponibles y los criterios de ajuste de la distribución, seleccionar la distribución más adecuada. Existe un gran volumen de estudios comparativos que intentan seleccionar los modelos más adecuados para la distribución SD. Las distribuciones abordadas con más frecuencia son la normal , la lognormal de tres parámetros , gamma (incluida la exponencial) y Weibull . Las distribuciones de "prueba" menos frecuentes (para fines de ajuste) son el modelo loglogístico , Burr, gamma generalizada y el modelo de riesgo constante por partes . También se han informado intentos de presentar la distribución SD como una distribución mixta (normal-normal, lognormal-lognormal y mezclas Weibull-Gamma). Ocasionalmente, se desarrollan métodos predictivos que son válidos para una distribución SD general, o se utilizan técnicas más avanzadas, como la Estimación de Densidad Kernel (KDE), en lugar de los métodos tradicionales (como el ajuste de la distribución o los métodos orientados a la regresión). Existe un amplio consenso de que el lognormal de tres parámetros describe mejor la mayoría de las distribuciones SD. Recientemente se ha desarrollado una nueva familia de distribuciones SD, que incluye la normal, lognormal y exponencial como casos especiales exactos. A continuación se presentan algunos ejemplos (el más reciente primero). [5] [6] [7] [8] [9] [10] [11] [12] [13] [14]

Uso de registros históricos para especificar una distribución empírica

Como alternativa a la especificación de una distribución teórica como modelo para la desviación estándar, se pueden utilizar registros para construir un histograma de los datos disponibles y utilizar la función de distribución empírica relacionada (el gráfico acumulativo) para estimar los distintos percentiles requeridos (como la mediana o el tercer cuartil ). También se pueden utilizar registros históricos o estimaciones de expertos para especificar los parámetros de escala y ubicación, sin especificar un modelo para la distribución de la desviación estándar.

Métodos de minería de datos

Estos métodos han ganado popularidad recientemente como una alternativa a la especificación previa de un modelo teórico para describir la distribución de la desviación estándar para todos los tipos de cirugías. A continuación se detallan algunos ejemplos ("Modelos y métodos predictivos").

Reducción de la variabilidad de la desviación estándar (estratificación y covariables)

Para mejorar la precisión de la predicción de la desviación estándar, se aplican dos enfoques principales para reducir la variabilidad de los datos de desviación estándar: estratificación y covariables (incorporadas en el modelo predictivo). En la literatura, las covariables también se denominan factores, efectos, variables explicativas o predictores.

Estratificación

El término significa que los datos disponibles se dividen (estratifican) en subgrupos, según un criterio que se ha demostrado estadísticamente que afecta a la distribución de la desviación estándar. El método predictivo tiene entonces como objetivo producir una predicción de la desviación estándar para subgrupos específicos, que tengan una desviación estándar con una variabilidad apreciablemente reducida. Algunos ejemplos de criterios de estratificación son la especialidad médica, los sistemas de códigos de procedimientos , la condición de gravedad del paciente o el hospital/cirujano/tecnología (con modelos resultantes relacionados como específicos del hospital, específicos del cirujano o específicos de la tecnología). Algunos ejemplos de implementación son la Terminología actual de procedimientos (CPT) y los Códigos de diagnóstico y procedimiento de la CIE-9-CM (Clasificación internacional de enfermedades, 9.ª revisión, modificación clínica). [5] [15] [16] [17]

Covariables (factores, efectos, variables explicativas, predictores)

Este enfoque para reducir la variabilidad incorpora covariables en el modelo de predicción. El mismo método predictivo puede entonces aplicarse de manera más general, con covariables asumiendo diferentes valores para diferentes niveles de los factores que se muestra que afectan la distribución de SD (generalmente al afectar un parámetro de ubicación, como la media, y, más raramente, también un parámetro de escala, como la varianza). Un método más básico para incorporar covariables en un método predictivo es asumir que la distribución de SD se distribuye lognormalmente. Los datos logarítmicos (tomando el logaritmo de los datos de SD) representan entonces una población distribuida normalmente, lo que permite el uso de regresión lineal múltiple para detectar factores estadísticamente significativos. También se han utilizado otros métodos de regresión, que no requieren normalidad de los datos o son robustos a su violación ( modelos lineales generalizados , regresión no lineal ) y métodos de inteligencia artificial (referencias ordenadas cronológicamente, la más reciente primero). [14] [18] [19] [20] [21] [22] [23] [24] [ 25] [ 26] [ 27] [28] [29] [30]

Modelos y métodos predictivos

A continuación se presenta una lista representativa (no exhaustiva) de modelos y métodos empleados para generar predicciones de desviación estándar (sin ningún orden en particular). Estos, o una combinación de ellos, se pueden encontrar en la muestra de referencias representativas que se incluye a continuación:

Regresión lineal (LR); Splines de regresión adaptativa multivariante (MARS); Bosques aleatorios (RF); Aprendizaje automático ; Minería de datos (conjuntos aproximados, redes neuronales); Descubrimiento de conocimiento en bases de datos (KDD); Modelo de almacén de datos (usado para extraer datos de varias bases de datos, posiblemente no interactuantes); Estimación de densidad de kernel (KDE); Jackknife ; Simulación de Monte Carlo . [31] [32] [33] [34] [35] [2] [36] [37] [38] [39] [40]

La cirugía como proceso de trabajo (repetitivo, semirepetitivo,Sin memoria)

La cirugía es un proceso de trabajo y, del mismo modo, requiere de insumos para lograr el resultado deseado, un paciente en recuperación después de la cirugía. Ejemplos de insumos del proceso de trabajo, de la ingeniería de producción , son las cinco M: "dinero, mano de obra, materiales, maquinaria, métodos" (donde "mano de obra" se refiere al elemento humano en general). Como todos los procesos de trabajo en la industria y los servicios, las cirugías también tienen un cierto contenido de trabajo característico, que puede ser inestable en diversos grados (dentro de la población estadística definida a la que apunta el método de predicción). Esto genera una fuente de variabilidad de la desviación estándar que afecta la forma de distribución de la desviación estándar (desde la distribución normal , para procesos puramente repetitivos, hasta la exponencial , para procesos puramente sin memoria). Ignorar esta fuente puede confundir su variabilidad con la debida a covariables (como se detalló anteriormente). Por lo tanto, como todos los procesos de trabajo pueden dividirse en tres tipos (repetitivo, semirrepetitivo, sin memoria), las cirugías pueden dividirse de manera similar. Recientemente se ha desarrollado un modelo estocástico que tiene en cuenta la inestabilidad del contenido de trabajo y que ofrece una familia de distribuciones, con la normal/lognormal y la exponencial como casos especiales exactos. Este modelo se aplicó para construir un esquema de control de procesos estadísticos para SD. [5] [41] [42]

Referencias

  1. ^ Rahimi, Iman; Gandomi, Amir H. (11 de mayo de 2020). "Una revisión y análisis exhaustivos de la programación de quirófanos y cirugías". Archivos de métodos computacionales en ingeniería . 28 (3): 1667–1688. doi :10.1007/s11831-020-09432-2. hdl : 10453/145725 . ISSN  1886-1784. S2CID  219421229.
  2. ^ ab Bellini, Valentina; Guzzon, Marco; Bigliardi, Barbara; Mordonini, Monica; Filippelli, Serena; Bignami, Elena (enero de 2020). "Inteligencia artificial: una nueva herramienta en la gestión de quirófanos. Función de los modelos de aprendizaje automático en la optimización de quirófanos". Revista de sistemas médicos . 44 (1): 20. doi :10.1007/s10916-019-1512-1. ISSN  0148-5598. PMID  31823034. S2CID  209169574.
  3. ^ Zhu, Shuwan; Fan, Wenjuan; Yang, Shanlin; Pei, Jun; Pardalos, Panos M. (1 de abril de 2019). "Planificación de quirófanos y programación de casos quirúrgicos: una revisión de la literatura". Revista de optimización combinatoria . 37 (3): 757–805. doi :10.1007/s10878-018-0322-6. ISSN  1573-2886. S2CID  85562744.
  4. ^ Cardoen, Brecht; Demeulemeester, Erik; Beliën, Jeroen (marzo de 2010). "Planificación y programación del quirófano: una revisión de la literatura". Revista europea de investigación operativa . 201 (3): 921–932. doi :10.1016/j.ejor.2009.04.011. S2CID  11003991.
  5. ^ abc Shore, Haim (2 de abril de 2020). "Un modelo bivariado explicativo de la duración de la cirugía y su validación empírica". Communications in Statistics . 6 (2): 142–166. doi :10.1080/23737484.2020.1740066. ISSN  2373-7484. S2CID  218927900.
  6. ^ Taaffe, Kevin; Pearce, Bryan; Ritchie, Gilbert (2021). "Uso de la estimación de densidad kernel para modelar la duración de un procedimiento quirúrgico". International Transactions in Operational Research . 28 (1): 401–418. doi : 10.1111/itor.12561 . ISSN  1475-3995.
  7. ^ Joustra, Paul; Meester, Reinier; van Ophem, Hans (junio de 2013). "¿Pueden los estadísticos superar a los cirujanos en la planificación de operaciones?". Economía empírica . 44 (3): 1697–1718. doi :10.1007/s00181-012-0594-0. hdl : 10.1007/s00181-012-0594-0 . ISSN  0377-7332. S2CID  89603919.
  8. ^ Choi, Sangdo; Wilhelm, Wilbert E. (1 de abril de 2012). "Análisis de cirugías secuenciales con duraciones que siguen la distribución lognormal, gamma o normal". IIE Transactions on Healthcare Systems Engineering . 2 (2): 156–171. doi :10.1080/19488300.2012.684272. ISSN  1948-8300. S2CID  120620428.
  9. ^ Chakraborty, Santanu; Muthuraman, Kumar; Lawley, Mark (26 de febrero de 2010). "Programación clínica secuencial con ausencias de pacientes y distribución general del tiempo de servicio". IIE Transactions . 42 (5): 354–366. doi :10.1080/07408170903396459. ISSN  0740-817X. S2CID  18947312.
  10. ^ Eijkemans, Marinus JC; van Houdenhoven, Mark; Nguyen, Tien; Boersma, Eric; Steyerberg, Ewout W.; Kazemier, Geert (1 de enero de 2010). "Predicción de lo impredecible: un nuevo modelo de predicción de los tiempos de quirófano utilizando características individuales y la estimación del cirujano". Anestesiología . 112 (1): 41–49. doi : 10.1097/ALN.0b013e3181c294c2 . ISSN  0003-3022. PMID  19952726. S2CID  27705870.
  11. ^ Spangler, William E.; Strum, David P.; Vargas, Luis G.; May, Jerrold H. (1 de mayo de 2004). "Estimación de tiempos de procedimientos para cirugías mediante la determinación de parámetros de ubicación para el modelo lognormal". Health Care Management Science . 7 (2): 97–104. doi :10.1023/B:HCMS.0000020649.78458.98. ISSN  1572-9389. PMID  15152974. S2CID  31286297.
  12. ^ Strum, David P.; May, Jerrold H.; Sampson, Allan R.; Vargas, Luis G.; Spangler, William E. (1 de enero de 2003). "Estimación de tiempos de cirugías con procedimientos de dos componentes: comparación de los modelos lognormal y normal". Anestesiología . 98 (1): 232–240. doi :10.1097/00000542-200301000-00035. ISSN  0003-3022. PMID  12503002. S2CID  13326275.
  13. ^ May, Jerrold H.; Strum, David P.; Vargas, Luis G. (2000). "Ajuste de la distribución lognormal a los tiempos de procedimientos quirúrgicos*". Decision Sciences . 31 (1): 129–148. doi :10.1111/j.1540-5915.2000.tb00927.x. ISSN  1540-5915.
  14. ^ ab Strum, David P.; May, Jerrold H.; Vargas, Luis G. (2000-04-01). "Modelado de la incertidumbre de los tiempos de procedimientos quirúrgicos". Anestesiología . 92 (4): 1160–1167. doi : 10.1097/00000542-200004000-00035 . ISSN  0003-3022. PMID  10754637. S2CID  17273369.
  15. ^ Dexter, Franklin; Dexter, Elisabeth U.; Ledolter, Johannes (abril de 2010). "Influencia de la clasificación de procedimientos en la variabilidad del proceso y la incertidumbre de los parámetros de la duración de los casos quirúrgicos". Anesthesia & Analgesia . 110 (4): 1155–1163. doi : 10.1213/ANE.0b013e3181d3e79d . ISSN  0003-2999. PMID  20357155. S2CID  7546223.
  16. ^ Li, Ying; Zhang, Saijuan; Baugh, Reginald F.; Huang, Jianhua Z. (30 de noviembre de 2009). "Predicción de la duración de los casos quirúrgicos utilizando una matriz de código CPT mal condicionada". IIE Transactions . 42 (2): 121–135. doi :10.1080/07408170903019168. ISSN  0740-817X. S2CID  33971174.
  17. ^ Stepaniak, Pieter S.; Heij, Christiaan; Mannaerts, Guido HH; de Quelerij, Marcel; de Vries, Guus (octubre de 2009). "Modelado de procedimientos y tiempos quirúrgicos para combinaciones actuales de terminología de procedimientos, anestesia y cirujano y evaluación en términos de predicción de la duración del caso y eficiencia de la sala de operaciones: un estudio multicéntrico". Anesthesia & Analgesia . 109 (4): 1232–1245. doi : 10.1213/ANE.0b013e3181b5de07 . ISSN  0003-2999. PMID  19762753. S2CID  5501541.
  18. ^ Wang, Jin; Cabrera, Javier; Tsui, Kwok-Leung; Guo, Hainan; Bakker, Monique; Kostis, John B. (10 de febrero de 2020). "Efectos clínicos y no clínicos en la duración de la operación: evidencia de una base de datos sobre cirugía torácica". Journal of Healthcare Engineering . 2020 : 1–8. doi : 10.1155/2020/3582796 . PMC 7035554 . PMID  32104558. 
  19. ^ Parker, Sarah Henrickson; Lei, Xue; Fitzgibbons, Shimae; Metzger, Thomas; Safford, Shawn; Kaplan, Seth (noviembre de 2020). "El impacto de la familiaridad del equipo quirúrgico en la duración del procedimiento y la duración de la estancia: relaciones inconsistentes entre procedimientos, miembros del equipo y sitios". Revista mundial de cirugía . 44 (11): 3658–3667. doi :10.1007/s00268-020-05657-1. ISSN  0364-2313. PMID  32661690. S2CID  220506263.
  20. ^ Powezka, Katarzyna; Normahani, Pasha; Standfield, Nigel J.; Jaffer, Usman (1 de marzo de 2020). "Un nuevo puntaje de familiaridad del equipo para los equipos quirúrgicos es un predictor de la duración de un procedimiento: un análisis bayesiano retrospectivo". Revista de cirugía vascular . 71 (3): 959–966. doi : 10.1016/j.jvs.2019.03.085 . ISSN  0741-5214. PMID  31401113. S2CID  199540652.
  21. ^ Wang, Jin; Cabrera, Javier; Tsui, Kwok-Leung; Guo, Hainan; Bakker, Monique; Kostis, John B. (10 de febrero de 2020). "Efectos clínicos y no clínicos en la duración de la operación: evidencia de una base de datos sobre cirugía torácica". Journal of Healthcare Engineering . 2020 : 1–8. doi : 10.1155/2020/3582796 . ISSN  2040-2295. PMC 7035554 . PMID  32104558. 
  22. ^ Tan, KW; Nguyen, FNHL; Ang, BY; Gan, J.; Lam, SW (agosto de 2019). "Modelo de predicción de la duración quirúrgica basado en datos para la programación de cirugías: un estudio de caso para un modelo factible en la práctica en un hospital público". 2019 IEEE 15th International Conference on Automation Science and Engineering (CASE). págs. 275–280. doi :10.1109/COASE.2019.8843299. ISBN 978-1-7281-0356-3. Número de identificación del sujeto  202701068.
  23. ^ van Eijk, Rubén PA; van Veen-Berkx, Elizabeth; Kazemier, Geert; Eijkemans, Marinus JC (agosto de 2016). "Efecto de cirujanos y anestesiólogos individuales sobre el tiempo en el quirófano". Anestesia y Analgesia . 123 (2): 445–451. doi :10.1213/ANE.0000000000001430. ISSN  0003-2999. PMID  27308953. S2CID  21344455.
  24. ^ Kayış, Enis; Khaniyev, Taghi T.; Suermondt, Jaap; Sylvester, Karl (1 de septiembre de 2015). "Un modelo de estimación robusto para duraciones de cirugía con efectos temporales, operativos y del equipo quirúrgico". Health Care Management Science . 18 (3): 222–233. doi :10.1007/s10729-014-9309-8. ISSN  1572-9389. PMID  25501470. S2CID  28157635.
  25. ^ Gillespie, Brigid M.; Chaboyer, Wendy; Fairweather, Nicole (1 de enero de 2012). "Factores que influyen en la duración prevista de la operación: resultados de un estudio prospectivo". BMJ Quality & Safety . 21 (1): 3–12. doi :10.1136/bmjqs-2011-000169. hdl : 10072/47509 . ISSN  2044-5415. PMID  22003174. S2CID  9857941.
  26. ^ Kayis, Enis; Wang, Haiyan; Patel, Meghna; Gonzalez, Tere; Jain, Shelen; Ramamurthi, RJ; Santos, Cipriano; Singhal, Sharad; Suermondt, Jaap; Sylvester, Karl (2012). "Mejora de la predicción de la duración de la cirugía utilizando factores operativos y temporales". AMIA ... Actas del Simposio Anual. Simposio AMIA . 2012 : 456–462. ISSN  1942-597X. PMC 3540440. PMID 23304316  . 
  27. ^ Palmer, Phillip B.; O'Connell, Dennis G. (septiembre de 2009). "Análisis de regresión para la predicción: comprensión del proceso". Revista de fisioterapia cardiopulmonar . 20 (3): 23–26. doi :10.1097/01823246-200920030-00004. ISSN  2374-8907. PMC 2845248 . PMID  20467520. 
  28. ^ Dexter, Franklin; Dexter, Elisabeth U.; Masursky, Danielle; Nussmeier, Nancy A. (abril de 2008). "Revisión sistemática de artículos sobre cirugía torácica general para identificar predictores de la duración de los casos en quirófano". Anesthesia & Analgesia . 106 (4): 1232–1241. doi :10.1213/ane.0b013e318164f0d5. ISSN  0003-2999. PMID  18349199. S2CID  24481667.
  29. ^ Ballantyne, Garth H.; Ewing, Douglas; Capella, Rafael F.; Capella, Joseph F.; Davis, Dan; Schmidt, Hans J.; Wasielewski, Annette; Davies, Richard J. (1 de febrero de 2005). "La curva de aprendizaje medida por los tiempos operatorios para bypass gástrico laparoscópico y abierto: roles de la experiencia del cirujano, experiencia institucional, índice de masa corporal y formación de becarios". Cirugía de la obesidad . 15 (2): 172–182. doi :10.1381/0960892053268507. ISSN  1708-0428. PMID  15810124. S2CID  9083869.
  30. ^ Strum, David P.; Sampson, Allan R.; May, Jerrold H.; Vargas, Luis G. (1 de mayo de 2000). "El cirujano y el tipo de anestesia predicen la variabilidad en los tiempos de los procedimientos quirúrgicos". Anestesiología . 92 (5): 1454–1466. doi : 10.1097/00000542-200005000-00036 . ISSN  0003-3022. PMID  10781292. S2CID  18089668.
  31. ^ Soh, KW; Walker, C.; O'Sullivan, M.; Wallace, J. (2 de enero de 2020). "Una evaluación del modelo híbrido para predecir la duración de la cirugía". Revista de sistemas médicos . 44 (2): 42. doi :10.1007/s10916-019-1501-4. ISSN  1573-689X. PMID  31897758. S2CID  209541497.
  32. ^ Soh, KW; Walker, C.; O'Sullivan, M.; Wallace, J. (1 de octubre de 2020). "Comparación del promedio de los modelos Jackknife e Hybrid-Boost para predecir la duración de las cirugías: un estudio de caso". SN Computer Science . 1 (6): 316. doi : 10.1007/s42979-020-00339-0 . ISSN  2661-8907.
  33. ^ Jiao, York; Sharma, Anshuman; Ben Abdallah, Arbi; Maddox, Thomas M.; Kannampallil, Thomas (9 de diciembre de 2020). "Pronóstico probabilístico de la duración de los casos quirúrgicos mediante aprendizaje automático: desarrollo y validación de modelos". Revista de la Asociación Estadounidense de Informática Médica . 27 (12): 1885–1893. doi :10.1093/jamia/ocaa140. ISSN  1527-974X. PMC 7727362 . PMID  33031543. 
  34. ^ Rozario, Natasha; Rozario, Duncan (12 de noviembre de 2020). "¿Puede el aprendizaje automático optimizar la eficiencia del quirófano en la era del COVID-19?". Revista Canadiense de Cirugía . 63 (6): E527–E529. doi :10.1503/cjs.016520. PMC 7747850 . PMID  33180692. 
  35. ^ Bartek, Matthew A.; Saxena, Rajeev C.; Solomon, Stuart; Fong, Christine T.; Behara, Lakshmana D.; Venigandla, Ravitheja; Velagapudi, Kalyani; Lang, John D.; Nair, Bala G. (octubre de 2019). "Mejora de la eficiencia de la sala de operaciones: enfoque de aprendizaje automático para predecir la duración del caso". Revista del Colegio Americano de Cirujanos . 229 (4): 346–354.e3. doi :10.1016/j.jamcollsurg.2019.05.029. PMC 7077507 . PMID  31310851. 
  36. ^ Tuwatananurak, Justin P.; Zadeh, Shayan; Xu, Xinling; Vacanti, Joshua A.; Fulton, William R.; Ehrenfeld, Jesse M.; Urman, Richard D. (17 de enero de 2019). "El aprendizaje automático puede mejorar la estimación de la duración de los casos quirúrgicos: un estudio piloto". Revista de sistemas médicos . 43 (3): 44. doi :10.1007/s10916-019-1160-5. ISSN  1573-689X. PMID  30656433. S2CID  58014888.
  37. ^ Zhao, Beiqun; Waterman, Ruth S.; Urman, Richard D.; Gabriel, Rodney A. (5 de enero de 2019). "Un enfoque de aprendizaje automático para predecir la duración de los casos de cirugía asistida por robot". Revista de sistemas médicos . 43 (2): 32. doi :10.1007/s10916-018-1151-y. ISSN  1573-689X. PMID  30612192. S2CID  57447853.
  38. ^ Hosseini, N.; Sir, MY; Jankowski, CJ; Pasupathy, KS (2015). "Estimación de la duración quirúrgica mediante minería de datos y modelado predictivo: un estudio de caso". Actas del Simposio Anual de la AMIA. Simposio de la AMIA . 2015 : 640–648. ISSN  1942-597X. PMC 4765628. PMID 26958199  . 
  39. ^ ShahabiKargar, Zahra; Khanna, Sankalp; Good, Norm; Sattar, Abdul; Lind, James; O'Dwyer, John (2014). Pham, Duc-Nghia; Park, Seong-Bae (eds.). "Predicción de la duración del procedimiento para mejorar la programación de la cirugía electiva". PRICAI 2014: Tendencias en inteligencia artificial . Apuntes de clase en informática. 8862 . Cham: Springer International Publishing: 998–1009. doi :10.1007/978-3-319-13560-1_86. ISBN 978-3-319-13560-1.
  40. ^ Combes, C.; Meskens, N.; Rivat, C.; Vandamme, J.-P. (1 de marzo de 2008). "Uso de un proceso KDD para pronosticar la duración de una cirugía". Revista Internacional de Economía de la Producción . 112 (1): 279–293. doi :10.1016/j.ijpe.2006.12.068. ISSN  0925-5273.
  41. ^ Shore, Haim (2020). "Esquema SPC para monitorear la duración de la cirugía". Ingeniería de calidad y confiabilidad internacional . 37 (4): 1561–1577. doi :10.1002/qre.2813. ISSN  1099-1638. S2CID  229442000.
  42. ^ Shore, Haim (13 de diciembre de 2021). "Estimación de la tasa de utilización de quirófanos para tiempos de cirugía distribuidos de forma diferente". Revista Internacional de Investigación en Producción . 61 (2): 447–461. doi :10.1080/00207543.2021.2009141. ISSN  0020-7543. S2CID  245200753.