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

Dans l'environnement à enjeux élevés d'un bloc opératoire hospitalier, le temps est une ressource aussi critique que n'importe quel instrument chirurgical. Chaque minute où une procédure dure plus longtemps que prévu crée un effet domino qui peut retarder les chirurgies suivantes, épuiser le personnel et perturber le flux soigneusement orchestré des soins aux patients. Pour les infirmiers et les administrateurs, la capacité de prédire exactement la durée d'une chirurgie n'est pas seulement une question de commodité ; c'est le fondement de la sécurité, de l'efficacité et du bien-être de l'équipe médicale. Traditionnellement, ces estimations reposaient largement sur l'intuition du chirurgien ou sur des moyennes générales de cas passés, des méthodes qui manquent souvent les détails subtils et complexes qui rendent chaque patient et chaque tumeur uniques.

Une équipe de chercheurs de la deuxième unité affiliée de l'hôpital de l'Université du Sud de la Chine s'est tournée vers une approche différente pour résoudre ce problème. Ils ont développé un système informatique capable d'apprendre des dossiers chirurgicaux passés pour prévoir la durée d'une chirurgie cérébrale spécifique et délicate, connue sous le nom d'adénomectomie hypophysaire endoscopique transsphénoïdale. Cette procédure consiste à retirer une tumeur de l'hypophyse par le nez, une technique peu invasive devenue la norme de soins. En injectant dans un programme informatique des informations détaillées provenant de cent patients précédents — de la taille et de la forme de la tumeur à l'âge et aux antécédents médicaux du patient — les chercheurs ont entraîné le système à reconnaître des schémas que les observateurs humains pourraient négliger. Leur objectif était de passer du tâtonnement à la connaissance, en fournissant un outil basé sur les données qui pourrait aider les hôpitaux à planifier leurs journées avec une plus grande précision et à réduire la charge de travail du personnel infirmier.

Les chercheurs ont recueilli des informations sur cent patients ayant subi cette chirurgie entre 2016 et 2025. Ils ont collecté vingt-deux informations différentes pour chaque personne, notamment la localisation de la tumeur, sa texture, si elle était réapparue après un retrait précédent, et des mesures spécifiques de sa proximité avec des structures critiques situées profondément dans le cerveau. Ils ont ensuite divisé ces données en deux groupes : un groupe plus large pour enseigner au système informatique ce qu'il doit rechercher, et un groupe plus restreint pour tester la performance du système sur des cas qu'il n'avait jamais vus auparavant. Ils ont construit deux types différents de modèles informatiques pour réaliser les prédictions. L'un était un modèle de forêt aléatoire (random forest), qui fonctionne en créant de nombreux arbres de décision simples et en combinant leurs réponses, tandis que l'autre était un réseau de neurones artificiels, un système conçu pour imiter la façon dont le cerveau humain traite l'information en connectant des couches de neurones numériques.

Lorsque l'équipe a testé ces modèles, les résultats ont montré que le réseau de neurones artificiels était l'outil supérieur. Sur le groupe de test de patients, ce modèle a prédit la durée de la chirurgie avec une erreur moyenne d'à peine trente-huit minutes. En termes pratiques, cela signifie que pour plus des trois quarts des chirurgies, l'estimation de l'ordinateur se situait à moins de quarante-cinq minutes du temps réel de l'opération. Le modèle a identifié trois facteurs clés comme étant les moteurs les plus importants de la durée de l'opération : si la tumeur était réapparue, la distance entre la tumeur et le plancher d'une cavité cérébrale spécifique appelée le troisième ventricule, et un signe visuel spécifique pendant la chirurgie connu sous le nom de « signe du pincement » (cinch sign), qui concerne la façon dont la tumeur est contrainte. L'autre modèle, la forêt aléatoire, a obtenu des résultats légèrement moins bons, sous-estimant souvent le temps nécessaire pour les procédures plus longues et plus complexes.

La portée de ce travail dépasse les chiffres. Les chercheurs ont constaté qu'en utilisant ce modèle informatique, les administrateurs hospitaliers pourraient s'éloigner du recours exclusif à l'expérience subjective d'un chirurgien pour prendre des décisions de planification. Au lieu de cela, ils disposeraient d'une estimation objective et reproductible basée sur les caractéristiques spécifiques du patient présent. Cela permet aux infirmiers chefs de doter le bloc opératoire de personnel de manière plus efficace, en s'assurant que le nombre approprié d'infirmiers expérimentés est présent pour les cas difficiles et que les salles de réveil sont préparées pour l'arrivée réelle des patients. Cela réduit le chaos des changements de planning de dernière minute et aide à prévenir l'épuisement causé par des gardes imprévisibles et prolongées.

Cependant, les auteurs prennent soin de noter les limites de leurs conclusions. L'étude a été menée dans un seul hôpital avec un nombre relativement restreint de patients, et toutes les chirurgies ont été pratiquées par la même équipe de chirurgiens. Cela signifie que le modèle a appris les habitudes et les techniques spécifiques de ce groupe précis, et qu'il pourrait ne pas fonctionner aussi bien dans un autre hôpital avec des médecins ou des populations de patients différents. Les chercheurs ont également reconnu que le modèle informatique, bien qu'accurate, agit comme une « boîte noire », rendant difficile l'explication exacte de la manière dont il est parvenu à une conclusion spécifique. Pour y remédier, ils suggèrent que les futures versions de l'outil devraient inclure des méthodes pour rendre le raisonnement de l'ordinateur plus clair pour les utilisateurs humains. Malgré ces limites, l'étude démontre que l'apprentissage automatique peut capturer avec succès les relations complexes et non linéaires entre l'anatomie d'un patient et le temps requis pour la chirurgie.

En fin de compte, cette recherche offre un aperçu d'un avenir où les blocs opératoires fonctionneront avec la fluidité d'une machine bien réglée, guidés par les données plutôt que par les suppositions. En prédisant avec précision la durée d'une chirurgie, les hôpitaux peuvent mieux gérer leurs ressources les plus précieuses : leurs personnels et leur temps. La voie à suivre consiste à étendre ce travail à davantage d'hôpitaux et à des équipes chirurgicales plus diversifiées, et à affiner les modèles pour inclure des facteurs tels que l'expérience de l'équipe infirmière. Si elle réussit, cette approche pourrait transformer non seulement la neurochirurgie, mais aussi la gestion de nombreux autres types de procédures peu invasives, créant un environnement clinique moins stressant pour le personnel et plus sûr pour les patients.