Development of the ALEBON Surgical Complexity Index for Ophthalmology

技術要約：眼科におけるALEBON手術複雑性指数の開発

問題提起
眼科における現在の人工知能（AI）アプリケーションは、主に画像ベースの疾患検出、診断分類、および予測分析（例：網膜画像、緑内障検出）に焦点を当ててきた。しかし、「オペレーショナル・インテリジェンス・モデリング」およびシステムレベルのプロシージャル・アナリティクスには大きな空白が存在する。従来のプロシージャル分類手法は、技術的な手術の難易度を強調する傾向がある一方で、現実世界のヘルスケア提供を定義する多次元的な相互作用を捉えきれていない。これらの相互作用には、手術ケア環境、ワークフローの強度、プロシージャルの統合、周術期のコーディネーション、および長期的な治療の継続性が含まれる。眼科におけるプロシージャル・エコシステムが複雑化するにつれ、ワークフロー分析やリソース利用モデリングのための、オペレーショナルな複雑性を特徴付けるスケーラブルなフレームワークが必要となっている。

方法論
本研究は、サウスカロライナ州コロンビアの単一の統合型アカデミック眼科診療所において実施された、探索的な方法論的研究である。

• データセット： 分析には、2025年6月から2026年5月の間に実施された496件の連続的な眼科プロシージャル・エンカウンターを含む、医師が維持管理するプロシージャル活動ログを使用した。分析単位は個々の患者ではなく、プロシージャル・エンカウンターとした。データセットには、オペレーショナルな変数（プロシージャル・タイプ、組み合わせ、環境、側性、レンズの状態）が含まれているが、識別可能な患者情報（氏名、MRN、デモグラフィックス、診断、アウトカム）は除外されている。
• フレームワークの開発： 著者は、探索的かつ多次元的なフレームワークである**ALEBON手術複雑性指数（ASCI）**を開発した。ASCIは、以下の5つの定義済みドメインにわたってオペレーショナルな複雑さを定量化する：
  1. プロシージャルの複雑性（最大4点）
  2. 手術ケア環境（最大3点）
  3. プロシージャルの統合（最大2点）
  4. プロシージャルの多重性（最大1点）
  5. 長期的ワークフローの強度（最大1点）
  • スコアリング： 合計スコアは1から11の範囲であり、低（1–2）、中（3–4）、高（5–7）、極めて高（8以上）の4つのカテゴリーに層別化される。
• 分析手法： 本研究では、Pythonライブラリ（pandas, scikit-learn, NumPy, matplotlib）を用いた記述統計および解釈可能な機械学習（ML）技術を採用した。
  • 次元削減： 多次元的なオペレーショナル可視化のために、主成分分析（PCA）を用いた。
  • クラスタリング： 階層的クラスタリングを用いて、プロシージャル・エコシステム・カテゴリー間のオペレーショナルな類似性を評価した。
  • 特徴量の重要度： ランダムフォレストによる解釈可能性モデリングを用い、複雑性の層別化に寄与する変数の相対的な定性的重要性を評価した。
  • 検証範囲： ML分析は、外部検証された予測モデリングではなく、内部的な分類構造の探索的評価として設計された。

主な結果

• データセットの構成： 496件のエンカウンターには、ルーチンな白内障手術（34.5%）、レーザー処置（21.6%）、複雑な白内障手術（16.1%）、硝子体注射（13.7%）、白内障および最小侵襲緑内障手術（MIGS）（9.7%）、およびその他の統合されたプロシージャル（4.4%）が含まれる。
• 複雑性の分布： 平均ASCIスコアは3.84 ± 2.09であった。複雑性の分類は、低（37.3%）、中（29.6%）、高（31.9%）、極めて高（1.2%）であった。
• 環境の影響： オペレーショナルな複雑さは環境によって大きく異なった。マイナー・プロシージャ環境が最も低い平均ASCIスコアを示し、病院ベースの手術環境が最も高いオペレーショナルな複雑性の負担を示した。
• 機械学習の性能： 探索的なML分析は、高い内部一貫性を示した。ランダムフォレストモデルは、テスト精度0.99、適合率0.98、再現率0.98、F1スコア0.98、およびAUC 0.99を達成した。決定木分析は、精度0.97およびAUC 0.98を示した。
• 主要な要因： ランダムフォレストによる解釈可能性により、手術ケア環境、複雑な白内障プロシージャル・ステータス、プロシージャルの多重性、および統合された白内障＋MIGSワークフローが、ASCI層別化の支配的な寄与因子であることが特定された。
• クラスタリング・パターン： PCAおよび階層的クラスタリングにより、白内障関連のワークフローは、統合された前眼部エコシステムと密接にクラスターを形成する一方、レーザーおよび硝子体注射のプロシージャルは、高強度の手術環境とは異なる独立したクラスターを形成することが明らかになった。

主な貢献

1. 新規フレームワーク： 単なる技術的難易度からシステムレベルの相互作用へと焦点を移し、眼科におけるオペレーショナルな複雑さを定量化するための標準化された手法として、ALEBONフレームワークおよびASCIを導入した。
2. オペレーショナル・インテリジェンス： オペレーショナルな複雑さが、プロシージャルの特性、手術環境、ワークフローの統合、および長期的なケアの要求の相互作用から生じることを実証した。
3. 解釈可能なML： 臨床的な妥当性とオペレーショナルな透明性を維持しながら、不均質な眼科プロシージャル・エコシステムを特徴付けるために、解釈可能な機械学習を適用した。
4. 研究の基盤： ワークフローの特性付けやリソース・モデリングに関する、将来の多施設共同研究およびヘルスケア・オペレーション研究のためのベースラインを確立した。

意義と主張
本論文は、ALEBONフレームワークがオペレーショナルな複雑さを評価するための新しいアプローチを提供すると主張しており、プロシージャルの負担は、手術の技術的な性質だけでなく、より広範な臨床環境やシステムレベルの相互作用に強く影響されることを示唆している。著者は、これらの知見が、将来的なトランスレーショナル研究のための、ワークフローの特性付けやリソース・モデリングを目的とした情報提供を可能にするものであると述べている。

限界と主張の謙虚さ
著者は、本研究が探索的な方法論的研究であり、以下の限界があることを明示的に述べている：

• 一般化可能性： 本研究は単一の外科医および単一の施設によるものであり、異なるワークフローやインフラを持つ広範なヘルスケアシステムへの適用には制限がある。
• 内部検証： ML指標は、外部検証された予測能力ではなく、ALEBONフレームワーク内の内部的なオペレーショナルな一貫性を反映している。
• 直接的なエンドポイントの欠如： 本研究では、手術時間、スタッフ配置指標、コスト分析、または患者のアウトカムといった直接的なオペレーショナル・エンドポイントは組み込まれていない。
• ASCIのステータス： ASCIは、経験的に開発された重み付けスキームを持つ探索的なアーキテクチャとして提示されており、日常的な臨床応用を行う前に外部検証を必要とする。著者は、この指数を、最終的な、あるいは普遍的に検証された臨床的スコアリングシステムであるとは主張していない。