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

In der hochsensiblen Umgebung eines Operationssaals im Krankenhaus ist Zeit eine Ressource, die so kritisch ist wie jedes chirurgische Instrument. Jede Minute, die eine Prozedur länger als erwartet dauert, wirkt sich wie ein Dominoeffekt aus, der nachfolgende Operationen verzögern, das Personal belasten und den sorgfältig orchestrierten Ablauf der Patientenversorgung stören kann. Für Pflegekräfte und Administratoren ist die Fähigkeit, genau vorherzusagen, wie lange eine Operation dauern wird, nicht nur eine Frage der Bequemlichkeit; sie ist das Fundament für Sicherheit, Effizienz und das Wohlergehen des medizinischen Teams. Traditionell stützten sich diese Schätzungen stark auf das Bauchgefühl des Chirurgen oder auf grobe Durchschnittswerte vergangener Fälle – Methoden, die oft die subtilen, komplexen Details übersehen, die jeden Patienten und jeden Tumor einzigartig machen.

Ein Team von Forschern der Zweiten Angestellten Klinik der Universität South China hat sich einem anderen Ansatz zugewwend, um dieses Problem zu lösen. Sie entwickelten ein Computersystem, das in der Lage ist, aus vergangenen chirurgischen Aufzeichnungen zu lernen, um die Dauer einer spezifischen, hochsensiblen Hirnoperation namens transsphenoidale endoskopische Hypophysenadenomektomie vorherzusagen. Bei diesem Verfahren wird ein Tumor aus der Hypophyse durch die Nase entfernt, eine minimalinvasive Technik, die zum Standard der Versorgung geworden ist. Indem die Forscher ein Computerprogramm mit detaillierten Informationen von einhundert vorangegangenen Patienten fütterten – von der Größe und Form des Tumors bis hin zum Alter und der Krankengeschichte des Patienten –, trainierten sie das System darauf, Muster zu erkennen, die dem menschlichen Beobachter entgehen könnten. Ihr Ziel war es, vom Raten zum Wissen zu gelangen und ein datengestütztes Werkzeug bereitzustellen, das Krankenhäusern helfen kann, ihre Tage mit größerer Präzision zu planen und die Belastung des Pflegepersonals zu reduzieren.

Die Forscher sammelten Informationen von einhundert Patienten, die sich zwischen 2016 und 2025 dieser Operation unterzogen hatten. Sie erfassten zweiundzwanzig verschiedene Informationen für jede Person, darunter die Lage des Tumors, seine Textur, ob er nach einer vorangegangenen Entfernung zurückgekehrt war, sowie spezifische Messungen darüber, wie nah er an kritischen Strukturen tief im Gehirn lag. Sie teilten diese Daten dann in zwei Gruppen auf: eine größere Gruppe, um das Computersystem zu lehren, worauf es achten muss, und eine kleinere Gruppe, um zu testen, wie gut das System bei Fällen abschneidet, die es noch nie zuvor gesehen hat. Sie bauten zwei verschiedene Arten von Computermodellen, um die Vorhersagen zu treffen. Das eine war ein Random-Forest-Modell, das arbeitet, indem es viele einfache Entscheidungsbäume erstellt und deren Antworten kombiniert, während das andere ein künstliches neuronales Netz war – ein System, das darauf ausgelegt ist, die Art und Weise nachzuahmen, wie das menschliche Gehirn Informationen durch die Verbindung von Schichten digitaler Neuronen verarbeitet.

Als das Team diese Modelle testete, zeigten die Ergebnisse, dass das künstliche neuronale Netz das überlegene Werkzeug war. Bei der Testgruppe von Patienten sagte dieses Modell die Operationszeit mit einem durchschnittlichen Fehler von etwas mehr als achtunddreißig Minuten voraus. In praktischen Begriffen bedeutet dies, dass die Schätzung des Computers bei mehr als drei Vierteln der Operationen innerhalb von fünfundvierzig Minuten der tatsächlichen Operationszeit lag. Das Modell identifizierte drei Schlüsselfaktoren als die wichtigsten Treiber dafür, wie lange die Operation dauern würde: ob der Tumor zurückgekehrt war, wie weit der Tumor von der Sohle einer spezifischen Hirnhöhle, dem sogenannten dritten Ventrikel, entfernt war, und ein spezifisches visuelles Zeichen während der Operation, bekannt als „Cinch-Zeichen“, das sich darauf bezieht, wie der Tumor eingeschnürt ist. Das andere Modell, der Random Forest, schnitt etwas schlechter ab und unterschätzte häufig die benötigte Zeit für längere, komplexere Eingriffe.

Die Bedeutung dieser Arbeit geht über die Zahlen hinaus. Die Forscher fanden heraus, dass Krankenhausadministratoren durch die Verwendung dieses Computermodells von der ausschließlichen Abhängigkeit von der subjektiven Erfahrung eines Chirurgen bei der Entscheidungsfindung zur Zeitplanung abrücken könnten. Stattdessen hätten sie eine objektive, wiederholbare Schätzung, die auf den spezifischen Merkmalen des vor ihnen liegenden Patienten basiert. Dies ermöglicht es Oberschwestern, den Operationssaal effektiver zu besetzen, indem sie sicherstellen, dass die richtige Anzahl an erfahrenen Pflegekräften für schwierige Fälle anwesend ist und dass die Aufwachstationen auf die tatsächliche Ankunftszeit der Patienten vorbereitet sind. Es reduziert das Chaos durch kurzfristige Terminänderungen und hilft, die Erschöpfung zu verhindern, die durch unvorhersehbare, verlängerte Schichten entsteht.

Die Autoren weisen jedoch vorsichtig auf die Grenzen ihrer Erkenntnisse hin. Die Studie wurde in einem einzelnen Krankenhaus mit einer relativ geringen Anzahl von Patienten durchgeführt, und alle Operationen wurden vom selben Chirurgenteam durchgeführt. Dies bedeutet, dass das Modell die spezifischen Gewohnheiten und Techniken dieser einen Gruppe erlernt hat und in einem anderen Krankenhaus mit anderen Ärzten oder anderen Patientenpopulationen möglicherweise nicht so gut funktionieren wird. Die Forscher räumten auch ein, dass das Computermodell, obwohl es genau ist, wie eine „Black Box“ agiert, was es schwierig macht, genau zu erklären, wie es zu einer bestimmten Schlussfolgerung gelangt ist. Um dem entgegenzuwirken, schlagen sie vor, dass zukünftige Versionen des Werkzeugs Methoden enthalten sollten, die die Argumentation des Computers für menschliche Nutzer klarer machen. Trotz dieser Einschränkungen zeigt die Studie, dass maschinelles Lernen erfolgreich die komplexen, nicht-linearen Beziehungen zwischen der Anatomie eines Patienten und der für die Operation benötigten Zeit erfassen kann.

Letztlich bietet diese Forschung einen Ausblick auf eine Zukunft, in der Operationssäle mit der Geschmeidigkeit einer gut abgestimmten Maschine laufen, geleitet von Daten statt von Vermutungen. Durch die genaue Vorhersage, wie lange eine Operation dauern wird, können Krankenhäuser ihre wertvollsten Ressourcen besser verwalten: ihre Menschen und ihre Zeit. Der Weg nach vorn besteht darin, diese Arbeit auf mehr Krankenhäuser und vielfältigere Chirurgenteams auszuweiten und die Modelle unter Einbeziehung von Faktoren wie der Erfahrung des Pflegeteams zu verfeinern. Wenn dies erfolgreich ist, könnte dieser Ansatz nicht nur die Hirnchirurgie, sondern das Management vieler verschiedener Arten minimalinvasiver Eingriffe transformieren und so ein klinisches Umfeld schaffen, das für das Personal weniger stressig und für die Patienten sicherer ist.