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

एक अस्पताल के ऑपरेटिंग रूम के उच्च-दांव वाले वातावरण में, समय एक ऐसा संसाधन है जो किसी भी शल्य चिकित्सा उपकरण की तरह ही महत्वपूर्ण है। हर वह मिनट जो प्रक्रिया के अपेक्षित समय से अधिक लंबा चलता है, वह बाहर की ओर एक प्रभाव डालता है, जिससे बाद की सर्जरी में देरी, कर्मचारियों पर दबाव और रोगी देखभाल के सावधानीपूर्वक व्यवस्थित प्रवाह में व्यवधान उत्पन्न होता है। नर्सों और प्रशासकों के लिए, यह अनुमान लगाना कि एक सर्जरी में वास्तव में कितना समय लगेगा, केवल सुविधा का मामला नहीं है; यह सुरक्षा, दक्षता और चिकित्सा टीम के कल्याण की नींव है। पारंपरिक रूप से, ये अनुमान काफी हद तक सर्जन के अंतर्ज्ञान या पिछले मामलों के व्यापक औसत पर निर्भर रहे हैं, ऐसी विधियाँ जो उन सूक्ष्म, जटिल विवरणों को अक्सर चूक जाती हैं जो हर रोगी और उसके ट्यूमर को अद्वितीय बनाते हैं।

साउथ चाइना यूनिवर्सिटी के सेकंड एफिलिएटेड अस्पताल की शोधकर्ताओं की एक टीम ने इस समस्या को हल करने के लिए एक अलग दृष्टिकोण अपनाया है। उन्होंने एक ऐसा कंप्यूटर सिस्टम विकसित किया जो एक विशिष्ट, नाजुक मस्तिष्क सर्जरी, जिसे 'ट्रांसस्पाइनॉइड एंडोस्कोपिक पिट्यूटरी एडेनोमेक्टोमी' (transsphenoidal endoscopic pituitary adenomectomy) के रूप में जाना जाता है, के समय का पूर्वानुमान लगाने के लिए पिछले सर्जिकल रिकॉर्ड से सीख सकता है। इस प्रक्रिया में नाक के माध्यम से पिट्यूटरी ग्रंथि से ट्यूमर को निकालना शामिल है, जो एक न्यूनतम आक्रामक (minimally invasive) तकनीक है और देखभाल का मानक बन गई है। शोधकर्ताओं ने एक कंप्यूटर प्रोग्राम को एक सौ पिछले रोगियों की विस्तृत जानकारी खिलाकर—ट्यूमर के आकार और आकृति से लेकर रोगी की आयु और चिकित्सा इतिहास तक—इस प्रणाली को उन पैटर्न को पहचानने के लिए प्रशिक्षित किया जिन्हें मानवीय पर्यवेक्षक अनदेखा कर सकते हैं। उनका लक्ष्य अनुमान लगाने से हटकर जानने की ओर बढ़ना था, जिससे एक डेटा-संचालित उपकरण मिल सके जो अस्पतालों को अधिक सटीकता के साथ अपने दिन निर्धारित करने में मदद कर सके और नर्सिंग स्टाफ के बोझ को कम कर सके।

शोधकर्ताओं ने उन एक सौ रोगियों से जानकारी एकत्र की जिन्होंने 2016 और 2025 के बीच यह सर्जरी करवाई थी। उन्होंने प्रत्येक व्यक्ति के लिए बाईस अलग-अलग प्रकार की जानकारी एकत्र की, जिसमें ट्यूमर का स्थान, उसकी बनावट, क्या यह पिछली निकासी के बाद वापस आया था, और मस्तिष्क की गहराई में स्थित महत्वपूर्ण संरचनाओं से इसकी निकटता के विशिष्ट माप शामिल थे। इसके बाद उन्होंने इस डेटा को दो समूहों में विभाजित किया: एक बड़ा समूह कंप्यूटर सिस्टम को यह सिखाने के लिए कि क्या देखना है, और एक छोटा समूह यह परीक्षण करने के लिए कि सिस्टम ने उन मामलों पर कैसा प्रदर्शन किया जिन्हें उसने पहले कभी नहीं देखा था। उन्होंने भविष्यवाणियां करने के लिए दो अलग-अलग प्रकार के कंप्यूटर मॉडल बनाए। एक 'रैंडम फॉरेस्ट' (random forest) मॉडल था, जो कई सरल निर्णय वृक्ष (decision trees) बनाकर और उनके उत्तरों को मिलाकर काम करता है, जबकि दूसरा एक 'आर्टिफिशियल न्यूरल नेटवर्क' (artificial neural network) था, एक प्रणाली जिसे डिजिटल न्यूरॉन्स की परतों को जोड़कर मानव मस्तिष्क के सूचना प्रसंस्करण के तरीके की नकल करने के लिए डिज़ाइन किया गया है।

जब टीम ने इन मॉडलों का परीक्षण किया, तो परिणामों ने दिखाया कि आर्टिफिशियल न्यूरल नेटवर्क एक बेहतर उपकरण था। रोगियों के परीक्षण समूह पर, इस मॉडल ने सर्जरी के समय की भविष्यवाणी औसतन केवल तीस से अधिक मिनट के अंतर के साथ की। व्यावहारिक शब्दों में, इसका अर्थ है कि तीन-चौथाई से अधिक सर्जरी के लिए, कंप्यूटर का अनुमान वास्तविक समय के пределах में चालीस-पांच मिनट के भीतर था। मॉडल ने तीन प्रमुख कारकों की पहचान की जो सबसे महत्वपूर्ण चालक थे कि ऑपरेशन में कितना समय लगेगा: क्या ट्यूमर वापस आया था, ट्यूमर तीसरे वेंट्रिकल नामक एक विशिष्ट मस्तिष्क गुहा के फर्श से कितनी दूर था, और सर्जरी के दौरान एक विशिष्ट दृश्य संकेत जिसे "सिंच साइन" (cinch sign) कहा जाता है, जो इस बात से संबंधित है कि ट्यूमर कैसे संकुचित होता है। दूसरा मॉडल, रैंडम फॉरेस्ट, थोड़ा खराब प्रदर्शन करता था, और अक्सर लंबी, अधिक जटिल प्रक्रियाओं के लिए आवश्यक समय का कम अनुमान लगाता था।

इस कार्य का महत्व संख्याओं से परे है। शोधकर्ताओं ने पाया कि इस कंप्यूटर मॉडल का उपयोग करके, अस्पताल प्रशासक अपने निर्णय लेने के लिए केवल सर्जन के व्यक्तिपरक अनुभव पर निर्भर रहने के बजाय एक वस्तुनिष्ठ और दोहराने योग्य अनुमान का उपयोग कर सकते हैं, जो सामने मौजूद रोगी की विशिष्ट विशेषताओं पर आधारित हो। यह मुख्य नर्सों को ऑपरेटिंग रूम को अधिक प्रभावी ढंग से स्टाफ करने की अनुमति देता है, जिससे यह सुनिश्चित होता है कि कठिन मामलों के लिए अनुभवी नर्सों की सही संख्या मौजूद है और रोगियों के वास्तविक आगमन समय के लिए रिकवरी रूम तैयार हैं। यह अंतिम समय में होने वाले शेड्यूल परिवर्तनों के शोर-शराबे को कम करता है और अप्रत्याशित, विस्तारित शिफ्टों से होने वाली थकान को रोकने में मदद करता है।

हालाँकि, लेखक अपने निष्कर्षों की सीमाओं के बारे में सावधान हैं। यह अध्ययन एक ही अस्पताल में अपेक्षाकृत कम रोगियों के साथ किया गया था, और सभी सर्जरी एक ही सर्जन टीम द्वारा की गई थीं। इसका अर्थ यह है कि मॉडल ने उस एक समूह की विशिष्ट आदतों और तकनीकों को सीखा है, और यह किसी अन्य अस्पताल में, जहाँ अलग डॉक्टर या अलग रोगी आबादी हो, उतना अच्छा काम नहीं कर सकता है। शोधकर्ताओं ने यह भी स्वीकार किया कि कंप्यूटर मॉडल, हालांकि सटीक है, एक "ब्लैक बॉक्स" की तरह कार्य करता है, जिससे यह समझाना कठिन हो जाता है कि उसने एक विशिष्ट निष्कर्ष तक पहुँचने के लिए वास्तव में क्या किया। इसे संबोधित करने के लिए, वे सुझाव देते हैं कि भविष्य के संस्करणों में ऐसे तरीके शामिल होने चाहिए जो कंप्यूटर के तर्क को मानव उपयोगकर्ताओं के लिए स्पष्ट कर सकें। इन सीमाओं के बावजूद, यह अध्ययन प्रदर्शित करता है कि मशीन लर्निंग सफलतापूर्वक रोगी की शारीरिक रचना और सर्जरी के लिए आवश्यक समय के बीच जटिल, गैर-रेखीय संबंधों को पकड़ सकता है।

अंततः, यह शोध एक ऐसे भविष्य की झलक देता है जहाँ ऑपरेटिंग रूम एक अच्छी तरह से ट्यून की गई मशीन की सुगमता के साथ चलते हैं, जो अनुमान के बजाय डेटा द्वारा निर्देशित होते हैं। यह सटीक रूप से भविष्यवाणी करके कि एक सर्जरी में कितना समय लगेगा, अस्पताल अपने सबसे मूल्यवान संसाधनों का बेहतर प्रबंधन कर सकते हैं: अपने लोग और अपना समय। आगे का रास्ता इस कार्य को और अधिक अस्पतालों और विविध सर्जिकल टीमों को शामिल करने के लिए विस्तारित करने और मॉडलों को नर्सिंग टीम के अनुभव जैसे कारकों को शामिल करने के लिए परिष्कृत करने में निहित है। यदि सफल रहे, तो यह दृष्टिकोण न केवल मस्तिष्क की सर्जरी को, बल्कि कई विभिन्न प्रकार की न्यूनतम आक्रामक प्रक्रियाओं के प्रबंधन को भी बदल सकता है, जिससे एक ऐसा नैदानिक वातावरण बनेगा जो कर्मचारियों के लिए कम तनावपूर्ण और रोगियों के लिए अधिक सुरक्षित होगा।