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

En el entorno de alto riesgo de un quirófano hospitalario, el tiempo es un recurso tan crítico como cualquier instrumento quirúrgico. Cada minuto que un procedimiento se prolonga más de lo esperado genera un efecto dominó que puede retrasar cirugías posteriores, sobrecargar al personal y alterar el flujo cuidadosamente orquestado de la atención al paciente. Para los enfermeros y administradores, la capacidad de predecir exactamente cuánto durará una cirugía no es meramente una cuestión de conveniencia; es la base de la seguridad, la eficiencia y el bienestar del equipo médico. Tradicionalmente, estos cálculos se han basado en gran medida en la intuición del cirujano o en promedios generales de casos pasados, métodos que a menudo pasan por alto los detalles sutiles y complejos que hacen que cada paciente y cada tumor sean únicos.

Un equipo de investigadores del Segundo Hospital Afiliado de la Universidad del Sur de China ha recurrido a un enfoque diferente para resolver este problema. Desarrollaron un sistema informático capaz de aprender de los registros quirúrgicos pasados para pronosticar la duración de una cirugía cerebral específica y delicada conocida como adenomectomía hipofisaria endoscópica transesfenoidal. Este procedimiento consiste en la extirpación de un tumor de la glándula hipófisis a través de la nariz, una técnica mínimamente invasiva que se ha convertido en el estándar de atención. Al alimentar un programa informático con información detallada de cien pacientes anteriores —desde el tamaño y la forma del tumor hasta la edad y los antecedentes médicos del paciente—, los investigadores entrenaron al sistema para reconocer patrones que los observadores humanos podrían pasar por alto. Su objetivo era pasar de suponer a saber, proporcionando una herramienta basada en datos que pudiera ayudar a los hospitales a programar sus días con mayor precisión y reducir la carga del personal de enfermería.

Los investigadores recopilaron información de cien pacientes que se sometieron a esta cirugía entre 2016 y 2025. Recopilaron veintidós piezas de información diferentes para cada persona, incluyendo la ubicación del tumor, su textura, si había regresado tras una extracción previa y mediciones específicas de qué tan cerca se encontraba de estructuras críticas en las profundidades del cerebro. Luego, dividieron estos datos en dos grupos: un grupo más grande para enseñar al sistema informático qué buscar, y un grupo más pequeño para probar qué tan bien funcionaba el sistema en casos que nunca había visto antes. Construyeron dos tipos diferentes de modelos informáticos para realizar las predicciones. Uno era un modelo de bosque aleatorio (random forest), que funciona creando muchos árboles de decisión simples y combinando sus respuestas, mientras que el otro era una red neuronal artificial, un sistema diseñado para imitar la forma en que el cerebro humano procesa la información mediante la conexión de capas de neuronas digitales.

Cuando el equipo probó estos modelos, los resultados mostraron que la red neuronal artificial era la herramienta superior. En el grupo de prueba de pacientes, este modelo predijo el tiempo de la cirugía con un error promedio de apenas treinta y ocho minutos. En términos prácticos, esto significa que para más de tres cuartas partes de las cirugías, la estimación de la computadora estuvo dentro de los cuarenta y cinco minutos del tiempo real que tomó la cirugía. El modelo identificó tres factores clave como los impulsores más importantes de la duración de la operación: si el tumor había regresado, qué tan lejos estaba el tumor del suelo de una cavidad cerebral específica llamada tercer ventrículo, y un signo visual específico durante la cirugía conocido como el "signo de la constricción" (cinch sign), que se relaciona con cómo el tumor está contraído. El otro modelo, el de bosque aleatorio, funcionó ligeramente peor, subestimando a menudo el tiempo necesario para procedimientos más largos y complejos.

La importancia de este trabajo se extiende más allá de los números. Los investigadores descubrieron que, al utilizar este modelo informático, los administradores de hospitales podrían alejarse de depender únicamente de la experiencia subjetiva de un cirujano para tomar decisiones de programación. En su lugar, tendrían una estimación objetiva y repetible basada en las características específicas del paciente que tienen delante. Esto permite a los enfermeros jefes dotar de personal al quirófano de manera más efectiva, asegurando que el número adecuado de enfermeros experimentados esté presente para los casos difíciles y que las salas de recuperación estén preparadas para la llegada real de los pacientes. Reduce el caos de los cambios de agenda de último minuto y ayuda a prevenir el agotamiento que proviene de turnos extendidos e impredecibles.

Sin embargo, los autores advierten cuidadosamente sobre los límites de sus hallazgos. El estudio se llevó a cabo en un solo hospital con un número relativamente pequeño de pacientes, y todas las cirugías fueron realizadas por el mismo equipo de cirujanos. Esto significa que el modelo aprendió los hábitos y técnicas específicos de ese grupo particular, y podría no funcionar tan bien en un hospital diferente con médicos o poblaciones de pacientes distintas. Los investigadores también reconocieron que el modelo informático, aunque preciso, actúa como una "caja negra", lo que dificulta explicar exactamente cómo llegó a una conclusión específica. Para abordar esto, sugieren que las futuras versiones de la herramienta deberían incluir métodos para hacer que el razonamiento de la computadora sea más claro para los usuarios humanos. A pesar de estas limitaciones, el estudio demuestra que el aprendizaje automático puede capturar con éxito las relaciones complejas y no lineales entre la anatomía del paciente y el tiempo requerido para la cirugía.

En última instancia, esta investigación ofrece un vistazo a un futuro donde los quirófanos funcionen con la fluidez de una máquina bien ajustada, guiados por datos en lugar de conjeturas. Al predecir con exactitud cuánto durará una cirugía, los hospitales pueden gestionar mejor sus recursos más valiosos: su gente y su tiempo. El camino a seguir implica expandir este trabajo para incluir más hospitales y equipos quirúrgicos más diversos, y refinar los modelos para incluir factores como la experiencia del equipo de enfermería. Si tiene éxito, este enfoque podría transformar no solo la neurocirugía, sino la gestión de muchos otros tipos de procedimientos mínimamente invasivos, creando un entorno clínico menos estresante para el personal y más seguro para los pacientes.