Machine Learning Model for Predicting Operative Duration in Transsphenoidal Neuroendoscopic Pituitary Adenomectomy

في بيئة غرفة العمليات بالمستشفيات ذات المخاطر العالية، يُعد الوقت مورداً لا يقل أهمية عن أي أداة جراحية. فكل دقيقة تزيد عن الوقت المتوقع للإجراء الجراحي تُحدث تأثيراً متسلسلاً يمكن أن يؤدي إلى تأخير العمليات اللاحقة، وإجهاد الطاقم الطبي، وتعطيل التدفق المنظم لرعاية المرضى. بالنسبة للممرضين والإداريين، فإن القدرة على التنبؤ بدقة بالوقت الذي ستستغرقه الجراحة ليست مجرد مسألة راحة، بل هي أساس السلامة والكفاءة ورفاهية الفريق الطبي. تقليدياً، اعتمدت هذه التقديرات بشكل كبير على الحدس الشخصي للجراح أو المتوسطات العامة من الحالات السابقة، وهي أساليب غالباً ما تغفل عن التفاصيل الدقيقة والمعقدة التي تجعل كل مريض وكل ورم فريداً من نوعه.

لقد لجأ فريق من الباحثين في المستشفى الثاني التابع لجامعة جنوب الصين إلى نهج مختلف لحل هذه المشكلة. فقد طوروا نظاماً حاسوبياً قادراً على التعلم من السجلات الجراحية السابقة للتنبؤ بمدة جراحة دماغية دقيقة ومحددة تُعرف باسم "استئصال الورم الغدي النخامي عبر الفتحة الوتدية بالمنظار". تتضمن هذه العملية إزالة ورم من الغدة النخامية عبر الأنف، وهي تقنية طفيفة التوغل أصبحت المعيار القياسي للرعاية. ومن خلال تغذية برنامج حاسوبي بمعلومات مفصلة من مائة مريض سابق — بدءاً من حجم وشكل الورم وصولاً إلى عمر المريض وتاريخه الطبي — درب الباحثون النظام على التعرف على الأنماط التي قد يغفل عنها المراقب البشري. كان هدفهم هو الانتقال من مرحلة التخمين إلى مرحلة المعرفة، وتوفير أداة قائمة على البيانات يمكنها مساعدة المستشفيات في جدولة أيامها بدقة أكبر وتقليل العبء على طاقم التمريض.

جمع الباحثون معلومات من مائة مريض خضعوا لهذه الجراحة بين عامي 2016 و2025. وجمعوا اثنين وعشرين نوعاً مختلفاً من المعلومات لكل شخص، بما في ذلك موقع الورم، وملمسه، وما إذا كان قد عاد بعد عملية سابقة، وقياسات محددة لمدى قربه من الهياكل الحيوية في أعماق الدماغ. ثم قسموا هذه البيانات إلى مجموعتين: مجموعة أكبر لتعليم النظام الحاسوبي ما يجب البحث عنه، ومجموعة أصغر لاختبار مدى كفاءة النظام في التعامل مع حالات لم يسبق له رؤيتها من قبل. وبنوا نوعين مختلفين من النماذج الحاسوبية؛ الأول هو نموذج "الغابة العشوائية" (Random Forest)، الذي يعمل عن طريق إنشاء العديد من أشجار القرار البسيطة ودمج إجاباتها، والآخر هو "الشبكة العصبية الاصطناعية"، وهو نظام مصمم لمحاكاة الطريقة التي يعالج بها الدماغ البشري المعلومات من خلال ربط طبقات من الخلايا العصبية الرقمية.

وعندما اختبر الفريق هذه النماذج، أظهرت النتائج أن الشبكة العصبية الاصطناعية كانت الأداة المتفوقة. ففي مجموعة اختبار المرضى، تنبأ هذا النموذج بوقت الجراحة بمتوسط خطأ قدره ثلاثون دقيقة وثماني دقائق فقط. ومن الناحية العملية، هذا يعني أنه بالنسبة لأكثر من ثلاثة أرباع العمليات الجراحية، كان تقدير الكمبيوتر ضمن نطاق خمس وأربعين دقيقة من الوقت الفعلي الذي استغرقته الجراحة. وقد حدد النموذج ثلاثة عوامل رئيسية كأهم المحركات لكيفية استغراق العملية وقتاً طوالاً: ما إذا كان الورم قد عاد مرة أخرى، ومدى بعد الورم عن أرضية تجويف دماغي محدد يسمى "البطين الثالث"، وعلامة بصرية محددة أثناء الجراحة تُعرف باسم "علامة التضييق" (Cinch Sign)، والتي تتعلق بكيفية انقباض الورم. أما النموذج الآخر، وهو "الغابة العشوائية"، فقد كان أداؤه أقل كفاءة قليلاً، حيث كان يقلل غالباً من الوقت المطلوب للعمليات الطويلة والأكثر تعقيداً.

إن أهمية هذا العمل تمتد إلى ما وراء الأرقام؛ فقد وجد الباحثون أنه باستخدام هذا النموذج الحاسوبي، يمكن لإدارات المستشفيات الابتعاد عن الاعتماد الكلي على الخبرة الذاتية للجراح لاتخاذ قرارات الجدولة. بدلاً من ذلك، سيكون لديهم تقدير موضوعي وقابل للتكرار بناءً على الخصائص المحددة للمريض الموجود أمامهم. وهذا يسمح لرؤساء التمريض بتعيين الكوادر في غرف العمليات بشكل أكثر فعالية، مما يضمن وجود العدد المناسب من الممرضين ذوي الخبرة للحالات الصعبة، وتجهيز غرف الإنعاش في وقت الوصول الفعلي للمرضى. كما يقلل ذلك من فوضى التغييرات المفاجئة في الجدول الزمني ويساعد في منع الإنهاك الناتج عن نوبات العمل الطويلة وغير المتوقعة.

ومع ذلك، يحرص المؤلفون على توضيح حدود نتائجهم؛ فقد أُجريت الدراسة في مستشفى واحد مع عدد محدود نسبياً من المرضى، وتم إجراء جميع العمليات بواسطة نفس الفريق من الجراحين. وهذا يعني أن النموذج تعلم العادات والتقنيات الخاصة بهذا الفريق الواحد، وقد لا يعمل بنفس الكفاءة في مستشفى آخر يضم أطباء مختلفين أو فئات مختلفة من المرضى. كما أقر الباحثون بأن النموذج الحاسوبي، رغم دقته، يعمل كـ "صندوق أسود"، مما يجعل من الصعب شرح كيفية وصوله إلى استنتاج معين بدقة. ولمعالجة ذلك، اقترحوا أن تشمل النسخ المستقبلية من هذه الأداة طرقاً تجعل منطق الكمبيوتر أكثر وضوحاً للمستخدمين البشريين. ورغم هذه القيود، تثبت الدراسة أن التعلم الآلي يمكنه بنجاح التقاط العلاقات المعقدة وغير الخطية بين تشريح المريض والوقت المطلوب للجراحة.

في نهاية المطاف، تقدم هذه الأبحاث لمحة عن مستقبل تعمل فيه غرف العمليات بسلاسة الآلة المضبوطة بدقة، مسترشدة بالبيانات بدلاً من التخمين. فمن خلال التنبؤ بدقة بالوقت الذي ستستغرقه الجراحة، يمكن للمستشفيات إدارة مواردها الأكثر قيمة بشكل أفضل: أفرادها ووقتها. ويتضمن المسار المستقبلي توسيع هذا العمل ليشمل المزيد من المستشفيات وفرق جراحية أكثر تنوعاً، وتطوير النماذج لتشمل عوامل مثل خبرة طاقم التمريض. وإذا نجح هذا النهج، فقد لا يغير الجراحة الدماغية فحسب، بل قد يغير أيضاً إدارة العديد من أنواع الإجراءات الجراحية طفيفة التوغل، مما يخلق بيئة سريرية أقل توتراً للطاقم وأكثر أماناً للمرضى.