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

手術室という極めて緊張感の高い環境において、時間はあらゆる手術器具と同じくらい重要なリソースです。予定よりも手術が長引くたびに、その影響は外側へと波及し、後続の手術を遅らせ、スタッフに負担をかけ、綿密に構築された患者ケアの流れを乱すというドミノ倒しのような現象を引き起こします。看護師や管理者にとって、手術が正確にどのくらいの時間を要するかを予測できることは、単なる利便性の問題ではありません。それは安全性、効率性、そして医療チームの幸福の基盤なのです。従来、これらの予測は、外科医の直感や過去の症例からの広範な平均値に大きく依存してきましたが、こうした手法は、患者や腫瘍ごとに異なる微細で複雑な詳細を見落としがちでした。

中国南華第二附属病院の研究チームは、この問題を解決するために異なるアプローチを採用しました。彼らは、特定の繊細な脳手術である「経蝶形骨洞内視鏡下下垂体腺腫摘出術」の所要時間を予測できる、過去の手術記録から学習可能なコンピュータシステムを開発しました。この術式は、鼻を通じて下垂体腫瘍を除去するもので、標準的な治療法となっている低侵襲技術です。研究者たちは、腫瘍の大きさや形状から、患者の年齢や既往歴に至るまで、過去100人の患者の詳細な情報をコンピュータプログラムに入力することで、人間の観察者が見落とす可能性のあるパターンを認識させるようシステムを訓練しました。彼らの目標は、「推測」から「既知」へと移行し、病院がより高い精度で一日のスケジュールを組み、看護スタッフの負担を軽減できるデータ駆動型のツールを提供することでした。

研究者たちは、2016年から2025年の間にこの手術を受けた100人の患者から情報を収集しました。腫瘍の位置、質感、再発の有無、そして脳深部の重要な構造物との距離に関する具体的な測定値など、一人につき22種類の異なる情報を収集しました。その後、データを2つのグループに分けました。一つはコンピュータシステムに何を探すべきかを教えるための大きなグループ、もう一つは、システムが未経験の症例に対してどの程度うまく機能するかをテストするための小さなグループです。彼らは予測を行うために、2種類の異なるコンピュータモデルを構築しました。一つは「ランダムフォレスト」モデルで、これは多くの単純な決定木を作成し、それらの答えを組み合わせることで機能します。もう一つは「人工ニューラルネットワーク」で、人間の脳の情報処理プロセスを模倣するように設計された、デジタルニューロンの層を接続するシステムです。

チームがこれらのモデルをテストした結果、人工ニューラルネットワークが優れたツールであることが示されました。テスト対象となった患者グループにおいて、このモデルは平均してわずか38分強の誤差で手術時間を予測しました。実用的な観点から言えば、これは4分の3以上の手術において、コンピュータの予測が実際の所要時間と45分以内の誤差であったことを意味します。モデルは、手術時間の主要な要因となる3つの鍵となる因子を特定しました。それは、腫瘍の再発の有無、腫瘍と第三脳室と呼ばれる特定の脳腔の底との距離、そして腫瘍がどのように収縮しているかに関連する「チンチ・サイン（cinch sign）」と呼ばれる術中の特定の視覚的兆候です。もう一方のモデルであるランダムフォレストは、これよりも性能がやや劣り、より長く複雑な手術において時間を過小評価することが頻繁にありました。

この研究の意義は、数値の枠を超えたところにあります。研究者たちは、このコンピュータモデルを使用することで、病院管理者が日程調整の決定を下す際に、外科医の主観的な経験だけに頼ることから脱却できることを見出しました。代わりに、目の前の患者の具体的な特性に基づいた、客観的で再現可能な予測が可能になります。これにより、ヘッドナースは手術室のスタッフ配置をより効果的に行うことができ、困難な症例に対して適切な経験を持つ看護師を配置したり、患者の実際の到着時間に備えて回復室を準備したりできるようになります。これにより、直前のスケジュール変更による混乱を減らし、予測不可能な長時間勤務からくる疲弊を防ぐことができます。

しかし、著者らは自らの知見の限界についても慎重に述べています。本研究は、比較的少数の患者を扱う単一の病院で行われ、すべての手術が同一の外科チームによって行われました。これは、モデルがその特定のグループの習慣や技術を学習したことを意味しており、異なる医師や異なる患者層を持つ別の病院では、同様には機能しない可能性があります。また、研究者たちは、コンピュータモデルは正確ではあるものの「ブラックボックス」として機能するため、コンピュータがどのようにして特定の結論に至ったのかを正確に説明することが困難であることも認めています。これに対処するため、彼らは将来のバージョンのツールには、コンピュータの推論を人間のユーザーに分かりやすく示す手法を含めるべきであると提案しています。こうした限界はあるものの、本研究は、機械学習が患者の解剖学的構造と手術に要する時間の間の、複雑で非線形な関係を正常に捉えられることを証明しています。

究ට的には、この研究は、データによって導かれ、よく調整された機械のようにスムーズに運営される手術室の未来を垣間見せてくれます。手術にどれくらいの時間がかかるかを正確に予測することで、病院は最も貴重なリソースである「人」と「時間」をより適切に管理できるようになります。今後の進展としては、この研究をより多くの病院や多様な外科チームへと拡大し、モデルに看護チームの経験などの要因を組み込んで洗練させていくことが求められます。もし成功すれば、このアプローチは単なる脳手術だけでなく、多くの異なる種類の低侵襲手術の管理をも変革し、スタッフにとってストレスが少なく、患者にとってより安全な臨床環境を作り出すことになるでしょう。