stringtranslate.com

Métodos predictivos de la duración de la cirugía.

Las predicciones de la duración de la cirugía (SD) 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 restricción es que no se exceda una tolerancia preespecificada para el porcentaje de cirugías pospuestas (debido a que el quirófano (OR) o el espacio de la sala de recuperación no están disponibles. El estrecho vínculo entre la predicción de la SD y la programación de la cirugía es la razón por la que la mayoría de las investigaciones científicas relacionadas con los métodos de programación abordan también los métodos de predicción de la SD y viceversa . Se sabe que la duración de las cirugías tiene una gran variabilidad. Por lo tanto, los métodos de predicción de SD intentan, por un lado, reducir la variabilidad (mediante estratificación y covariables , como se detalla más adelante) y, por otro, emplean los mejores métodos disponibles para producir predicciones de SD. Cuanto más precisas sean las predicciones, mejor será la programación de las cirugías (en términos de la optimización requerida de la utilización del quirófano).

Lo ideal es que un método predictivo de SD proporcione una distribución estadística de SD predicha (especificando la distribución y estimando sus parámetros). Una vez que la distribución SD está completamente especificada, se podrían extraer varios tipos de información deseados de la misma, por ejemplo, la duración (moda) más probable, o la probabilidad de que SD no supere 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 extracción de datos y las técnicas de descubrimiento de conocimientos a menudo reemplazan el objetivo ideal de especificar completamente la distribución teórica de SD.

La reducción de la variabilidad de la SD antes de la predicción (como se mencionó anteriormente) se considera comúnmente como parte integral del método de predicción de la SD. Lo más probable es que, además de la variación aleatoria, la SD tenga también un componente sistemático, es decir, la distribución de la SD 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, el número de cirugías al día). el cirujano tiene que actuar en turno, tipo de anestésico administrado). Tener en cuenta estos factores (mediante estratificación o covariables) disminuiría la variabilidad de la DE 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 DE basada en datos. A menudo, primero se identifican covariables estadísticamente significativas (también relacionadas con factores, predictores o variables explicativas) (por ejemplo, mediante técnicas simples como la regresión lineal y el descubrimiento de conocimiento ), y sólo más tarde se emplean técnicas de big data más avanzadas , como las artificiales. Inteligencia y Machine Learning , para producir la predicción final.

Las revisiones de la literatura de estudios que abordan la programación de cirugías con mayor frecuencia también abordan métodos predictivos de SD relacionados. A continuación se muestran algunos ejemplos (el último 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 proceso de trabajo . Este último aborda la caracterización de la cirugía como un proceso de trabajo (repetitivo, semirepetitivo o sin memoria) y su efecto sobre la forma distributiva 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 ajustados para la distribución de SD. Las distribuciones que se abordan con mayor frecuencia son la normal , la lognormal de tres parámetros , la gamma (incluida la exponencial) y la Weibull . Las distribuciones de "prueba" menos frecuentes (para fines de ajuste) son el modelo logístico , 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 (mezclas normal-normal, lognormal-lognormal y 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 del núcleo (KDE), en lugar de los métodos tradicionales (como los métodos de ajuste de distribución o los métodos orientados a la regresión). Existe un amplio consenso en 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, la lognormal y la exponencial como casos especiales exactos. A continuación se muestran algunos ejemplos (el último primero). [5] [6] [7] [8] [9] [10] [11] [12] [13] [14]

Uso de registros históricos para especificar una distribución empírica

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

Métodos de minería de datos

Estos métodos han ganado fuerza recientemente como una alternativa a la especificación anticipada de un modelo teórico para describir la distribución de DE para todo tipo de cirugías. A continuación se detallan ejemplos ("Modelos y métodos predictivos").

Reducir la variabilidad de la SD (estratificación y covariables)

Para mejorar la precisión de la predicción de SD, se siguen dos enfoques principales para reducir la variabilidad de los datos de SD: estratificación y covariables (incorporadas en el modelo predictivo). En la literatura a menudo se hace referencia a las covariables también como factores, efectos, variables explicativas o predictores.

Estratificación

El término significa que los datos disponibles se dividen (estratifican) en subgrupos, según un criterio que estadísticamente demuestra que afecta la distribución de la DE. Luego, el método predictivo tiene como objetivo producir una predicción de la DE para subgrupos específicos, teniendo una DE con una variabilidad apreciablemente reducida. Ejemplos de criterios de estratificación son especialidad médica, sistemas de códigos de procedimiento , condición de gravedad del paciente o hospital/cirujano/tecnología (con modelos resultantes relacionados como específicos del hospital, específicos del cirujano o específicos de la tecnología). Ejemplos de implementación son la Terminología de Procedimiento Actual (CPT) y los Códigos de Procedimiento y Diagnóstico de la CIE-9-CM (Clasificación Internacional de Enfermedades, 9ª 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. Luego se puede aplicar el mismo método predictivo de manera más general, con covariables que suponen diferentes valores para diferentes niveles de los factores que se ha demostrado que afectan la distribución de la DE (normalmente afectando 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 SD tiene una distribución lognormal. Los datos registrados (tomando el registro de datos SD) representan 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 la normalidad de los datos o son resistentes a su violación ( modelos lineales generalizados , regresión no lineal ) y métodos de inteligencia artificial (referencias ordenadas cronológicamente, las más recientes primero). [14] [18] [19] [20] [21 ] [22] [ 23 ] [24] [25] [26] [27] [28] [29] [30]

Modelos y métodos predictivos.

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

Regresión lineal (LR); splines de regresión adaptativa multivariada (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 (utilizado para extraer datos de varias bases de datos que posiblemente no interactúen); Estimación de la densidad del kernel (KDE); navaja ; Simulación del 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 de la misma manera requiere de insumos para lograr el resultado deseado, un paciente en recuperación postoperatoria. Ejemplos de insumos del proceso de trabajo, de 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 consultas también tienen un 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 SD que afecta la forma distributiva de SD (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 las covariables (como se detalló anteriormente). Por lo tanto, como todos los procesos de trabajo pueden dividirse en tres tipos (repetitivos, semirepetitivos y sin memoria), las cirugías pueden dividirse de manera similar. Recientemente se ha desarrollado un modelo estocástico que tiene en cuenta la inestabilidad del contenido del 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 estadístico para SD. [5] [41] [42]

Referencias

  1. ^ Rahimi, imán; Gandomi, Amir H. (11 de mayo de 2020). "Una revisión y análisis completos 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, Bárbara; Mordonini, Mónica; Filippelli, Serena; Bignami, Elena (enero de 2020). "Inteligencia artificial: una nueva herramienta en la gestión de quirófanos. Papel 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, junio; Pardalos, Panos M. (01 de abril de 2019). "Planificación del quirófano 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". Comunicaciones en Estadística . 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 la densidad del núcleo para modelar la duración del procedimiento quirúrgico". Transacciones Internacionales en Investigación Operativa . 28 (1): 401–418. doi : 10.1111/itor.12561 . ISSN  1475-3995.
  7. ^ Justra, Paul; Meester, Reinier; van Ophem, Hans (junio de 2013). "¿Pueden los estadísticos vencer 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). "Un análisis de cirugías de secuenciación con duraciones que siguen la distribución lognormal, gamma o normal". Transacciones IIE sobre Ingeniería de Sistemas de Salud . 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 distribuciones de tiempo de servicios generales". Transacciones IIE . 42 (5): 354–366. doi :10.1080/07408170903396459. ISSN  0740-817X. S2CID  18947312.
  10. ^ Eijkemans, Marinus JC; van Houdenhoven, Marcos; Nguyen, Tien; Boersma, Eric; Steyerberg, Ewout W.; Kazemier, Geert (1 de enero de 2010). "Predecir lo impredecible: un nuevo modelo de predicción de los tiempos del 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.; Rasgueo, David P.; Vargas, Luis G.; Mayo, Jerrold H. (1 de mayo de 2004). "Estimación de tiempos de procedimiento para cirugías mediante la determinación de parámetros de ubicación para el modelo lognormal". Ciencias de la gestión de la atención sanitaria . 7 (2): 97-104. doi :10.1023/B:HCMS.0000020649.78458.98. ISSN  1572-9389. PMID  15152974. S2CID  31286297.
  12. ^ Rasgueo, David P.; Mayo, 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. ^ Mayo, Jerrold H.; Rasgueo, David P.; Vargas, Luis G. (2000). "Ajustar la distribución lognormal a los tiempos de los procedimientos quirúrgicos *". Ciencias de la decisión . 31 (1): 129-148. doi :10.1111/j.1540-5915.2000.tb00927.x. ISSN  1540-5915.
  14. ^ ab rasgueo, David P.; Mayo, Jerrold H.; Vargas, Luis G. (1 de abril de 2000). "Modelado de la incertidumbre de los tiempos de los procedimientos quirúrgicos". Anestesiología . 92 (4): 1160-1167. doi : 10.1097/00000542-200004000-00035 . ISSN  0003-3022. PMID  10754637. S2CID  17273369.
  15. ^ Diestro, 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". Anestesia y 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). "Predecir la duración de los casos quirúrgicos utilizando una matriz de códigos CPT mal condicionada". Transacciones IIE . 42 (2): 121-135. doi :10.1080/07408170903019168. ISSN  0740-817X. S2CID  33971174.
  17. ^ Stepaniak, Pieter S.; Heij, Christian; Mannaerts, Guido HH; de Quelerij, Marcel; de Vries, Guus (octubre de 2009). "Modelado de procedimientos y tiempos quirúrgicos para combinaciones de terminología de procedimientos actuales, anestesia y cirujano y evaluación en términos de predicción de la duración del caso y eficiencia del quirófano: un estudio multicéntrico". Anestesia y 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 sobre la duración de la operación: evidencia de una base de datos sobre cirugía torácica". Revista de Ingeniería Sanitaria . 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 estadía: relaciones inconsistentes entre los procedimientos, los miembros del equipo y los 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 equipos operativos 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 sobre la duración de la operación: evidencia de una base de datos sobre cirugía torácica". Revista de Ingeniería Sanitaria . 2020 : 1–8. doi : 10.1155/2020/3582796 . ISSN  2040-2295. PMC 7035554 . PMID  32104558. 
  22. ^ Bronceado, KW; Nguyen, FNHL; Ang, POR; 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 viable en la práctica en un hospital público". 2019 IEEE 15.ª Conferencia Internacional sobre Ciencia e Ingeniería de Automatización (CASE). págs. 275–280. doi :10.1109/COASE.2019.8843299. ISBN 978-1-7281-0356-3. S2CID  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 sólido para la duración de las cirugías con efectos temporales, operativos y del equipo quirúrgico". Ciencias de la gestión de la atención sanitaria . 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 esperada de la operación: resultados de un estudio prospectivo". Calidad y seguridad de BMJ . 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; González, Tere; Jainista, 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 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. ^ Diestro, 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 el quirófano". Anestesia y 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, José F.; Davis, Dan; Schmidt, Hans J.; Wasielewski, Annette; Davies, Richard J. (1 de febrero de 2005). "La curva de aprendizaje medida por los tiempos de operación para el bypass gástrico abierto y laparoscópico: funciones de la experiencia del cirujano, la experiencia institucional, el índice de masa corporal y la beca de formación". Cirugía de la Obesidad . 15 (2): 172–182. doi : 10.1381/0960892053268507. ISSN  1708-0428. PMID  15810124. S2CID  9083869.
  30. ^ Rasgueo, David P.; Sampson, Allan R.; Mayo, 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. ^ Entonces, KW; caminante, 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. ^ Entonces, KW; caminante, C.; O'Sullivan, M.; Wallace, J. (1 de octubre de 2020). "Comparación del promedio del modelo Jackknife y Hybrid-Boost para predecir la duración de la cirugía: un estudio de caso". SN Informática . 1 (6): 316. doi : 10.1007/s42979-020-00339-0 . ISSN  2661-8907.
  33. ^ Jiao, York; Sharma, Anshumano; Ben Abdallah, Arbi; Maddox, Thomas M.; Kannampallil, Thomas (9 de diciembre de 2020). "Previsión probabilística de la duración del caso quirúrgico 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. ^ Rosario, Natasha; Rosario, 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, Mateo A.; Saxena, Rajeev C.; Salomón, Estuardo; Fong, Christine T.; Behara, Lakshmana D.; Venigandla, Ravitheja; Velagapudi, Kalyani; Lang, John D.; Nair, Bala G. (octubre de 2019). "Mejora de la eficiencia del quirófano: enfoque de aprendizaje automático para predecir la duración del tiempo del caso". Revista del Colegio Americano de Cirujanos . 229 (4): 346–354.e3. doi :10.1016/j.jamcollsurgi.2019.05.029. PMC 7077507 . PMID  31310851. 
  36. ^ Tuwatananurak, Justin P.; Zadeh, Shayan; Xu, Xinling; Vacanti, Josué 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 del caso quirúrgico: 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 del caso 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.; Señor, MI; Jankowski, CJ; Pasupathy, KS (2015). "Estimación de la duración quirúrgica mediante minería de datos y modelado predictivo: un estudio de caso". AMIA... Actas del Simposio Anual. Simposio AMIA . 2015 : 640–648. ISSN  1942-597X. PMC 4765628 . PMID  26958199. 
  39. ^ ShahabiKargar, Zahra; Khanna, Sankalp; Bien, norma; Sattar, Abdul; Lind, James; O'Dwyer, John (2014). Pham, Duc-Nghia; Park, Seong-Bae (eds.). "Predecir la duración del procedimiento para mejorar la programación de cirugías electivas". PRICAI 2014: Tendencias en Inteligencia Artificial . Apuntes de conferencias sobre informática. 8862 . Cham: Springer International Publishing: 998–1009. doi :10.1007/978-3-319-13560-1_86. ISBN 978-3-319-13560-1.
  40. ^ Combina, C.; Meskens, N.; Rivat, C.; Vandamme, J.-P. (1 de marzo de 2008). "Uso de un proceso KDD para pronosticar la duración de la cirugía". Revista Internacional de Economía de la Producción . 112 (1): 279–293. doi :10.1016/j.ijpe.2006.12.068. ISSN  0925-5273.
  41. ^ Orilla, Haim (2020). "Esquema SPC para controlar 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. ^ Orilla, Haim (13 de diciembre de 2021). "Estimación de la tasa de utilización del quirófano para tiempos de cirugía distribuidos de manera diferente". Revista Internacional de Investigación sobre Producción . 61 (2): 447–461. doi :10.1080/00207543.2021.2009141. ISSN  0020-7543. S2CID  245200753.