Predicting the Number of Open Operating Rooms to Enhance Resource Allocation and Patient Quality of Care

Technische Samenvatting: Het voorspellen van het aantal openstaande operatiekamers ter verbetering van de toewijzing van middelen en de kwaliteit van patiëntenzorg

Probleemstelling
De dynamische aard van de chirurgische vraag creëert aanzienlijke uitdagingen voor de planning en de inzet van middelen binnen chirurgische suites. Onzekerheid in de werklast dwingt beheerders vaak tot conservatieve beslissingen bij de toewijzing van middelen stroomopwaarts, wat leidt tot frequente verkeerde toewijzing van personeel. Dit resulteert ofwel in onderbezetting, wat leidt tot een te hoge werkdruk, burn-out en overuren, ofwel in overbezetting, wat zorgt voor stilstand en inefficiëntie. Een kritiek gat in de bestaande literatuur is het gebrek aan een interpreteerbare metriek die patiëntenvolume vertaalt naar een directe personeelsbehoefte ruim voordat de definitieve chirurgische schema's zijn vastgesteld. Hoewel eerdere studies zich hebben gericht op het voorspellen van chirurgische casusvolumes, blokbenutting of de duur van operaties, adresseren deze niet direct de piek van de gelijktijdige vraag die nodig is voor de roosterplanning op de middellange termijn (bijv. het goedkeuren van betaald verlof of onderzoeksdagen).

Methodologie
De auteurs hebben een deep learning-framework ontwikkeld op basis van een Wide-and-Deep architectuur om het dagelijkse maximum aantal openstaande operatiekamers (OK's) te voorspellen. Deze metriek dient als een proxy voor de piek in de intensiteit van de middelen en de personele behoefte.

• Databron: Het model werd getraind op historische chirurgische gegevens van de Mayo Clinic in Rochester, Minnesota, over de periode van 5 mei 2018 tot 8 oktober 2023 (332.904 chirurgische gevallen). Weekenddagen, feestdagen en de vroege COVID-19-periode (maart–mei 2020) werden uitgesloten om consistentie te waarborgen. De dataset werd verdeeld in trainingssets (1.028 dagen), validatiesets (254 dagen) en testsets (257 dagen).
• Feature Engineering: Het model bevat kenmerken over een voorspellingshorizon van 90 dagen (Windows 1–90, waarbij Window 1 de dag vóór de operatie is). Belangrijke kenmerken zijn onder meer:
  • Volume-metrieken: Het aantal chirurgische inschrijvingen en unieke chirurgen berekend over de 90-daagse window.
  • Trend-metrieken: Gemiddelde, minimum, maximum en standaarddeviatie van de openstaande OK's over de voorafgaande 5, 10, 20 en 30 dagen.
  • Temporele/Seizoensgebonden Indicatoren: Dag van de week, weeknummer, maandnummer, dag van de maand, kleurcode van de chirurgische dag (Blauw/Oranje), en binaire indicatoren voor pre-/post-feestdagen en voorjaarsvakanties.
  • Categorische Identificatoren: Anesthesie-afdeling (9 afdelingen gegroepeerd in 5 operationele categorieën op basis van gedeelde gebruikspatronen).
• Modelarchitectuur:
  • Wide Component: Verwerkt categorische kenmerken (bijv. dag van de week, afdeling) en gediscretiseerde numerieke kenmerken (inschrijvingen/chirurgen ingedeeld in 20 bakjes) om specifieke interacties te onthouden en informatieverlies door schaarse one-hot encoding te voorkomen. Het bevat ook feature crossings (bijv. maand × dag).
  • Deep Component: Maakt gebruik van meerdere dense lagen met Rectified Linear Unit (ReLU) activatie en dropout-regularisatie om complexe, niet-lineaire relaties in de numerieke en geselecteerde categorische kenmerken te leren.
• Training en Optimalisatie: De modellen werden getraind met de Adam-optimizer met een Mean Squared Error (MSE) loss-functie over 500 epochs. Hyperparameters (leersnelheid, diepte, breedte, dropout-ratio, L2-regularisatie) werden getuned met behulp van Bayesiaanse optimalisatie. Er zijn aparte modellen getraind voor elk van de 5 anesthesie-afdelingsgroepen om unieke operationele dynamieken te vangen.
• Implementatie: De inference-pipeline draait als een serverless batch-job op Google Cloud Platform (Google Cloud Run) en genereert dagelijkse voorspellingen tot 90 werkdagen vooruit. De resultaten worden gevisualiseerd via een Tableau-dashboard voor operationele managers.

Belangrijkste Bijdragen

1. Nieuwe Operationele Metriek: De studie introduceert het "dagelijkse maximum aantal openstaande OK's" als een specifieke, interpreteerbare metriek voor personeelsbezetting. In tegenstelling tot geaggregeerd volume of blokallocaties, weerspiegelt deze metriek direct de piek in de gelijktijdige vraag die de minimale hoeveelheid anesthesiologen en ondersteunend personeel dicteert.
2. Predictief Framework: De auteurs laten zien dat deep learning-modellen deze metriek accuraat kunnen voorspellen tot 90 werkdagen van tevoren, een tijdspanne die voorheen moeilijk te adresseren was door het gebrek aan gedetailleerde gegevens op casusniveau.
3. Architecturale Toepassing: De toepassing van een Wide-and-Deep architectuur op longitudinale chirurgische gegevens vangt effectief zowel de onthouden categorische patronen (via de wide-component) als de complexe niet-lineaire trends (via de deep-component).

Resultaten

• Voorspellende Nauwkeurigheid: Het model vertoonde een sterke prestatie over alle voorspellingshorizons. De Root Mean Square Error (RMSE) voor de geaggregeerde Rochester-campus varieerde van 5 tot 7 openstaande OK's. Voor specifieke campussen was de RMSE lager: Saint Marys Campus (SMC) varieerde van 4 tot 5, Methodist Campus (RMC) van 2 tot 4, en de Gonda Building van 1 tot 3.
• Foutverdeling: Foutanalyse toonde aan dat de voorspellingsfouten ongeveer normaal verdeeld waren en gecentreerd rond nul (bijv. een gemiddelde fout van -0,27 voor RMC bij Window 4), wat aangeeft dat het model niet systematisch over- of ondervoorspelt.
• Trendvolging: Visualisaties bevestigden dat de modellen de dagelijkse pieken, dalingen en algemene trends in het gebruik van de OK's over verschillende anesthesie-afdelingen nauwkeurig volgen.
• Horizon Stabiliteit: De prestaties bleven stabiel naarmate de voorspellingshorizon uitbreidde van de onmiddellijke dagen naar enkele maanden, wat het nut van het framework voor de roosterplanning op de middellange termijn valideert.

Betekenis en Claims
Het artikel claimt dat dit werk een gat vult in het beheer van perioperatieve operaties door onzekere chirurgische vraag te vertalen naar een personeelsgerelateerde metriek. Door nauwkeurige voorspellingen te bieden van de piek in de gelijktijdige bezetting van de OK's op de middellange termijn, stelt het framework zorgmanagers in staat om:

• De personele capaciteit nauwer af te stemmen op de verwachte vraag.
• De conservatieve overbezetting en de daarmee gepaard gaande kosten van overwerk en burn-out te verminderen.
• Onderbezetting en de daaruit voortvloeiende verstoringen in de patiëntenzorg te minimaliseren.
• Zorgverleners meer controle te geven over hun schema's door betere planning voor niet-klinische activiteiten (bijv. onderzoek, verlof) te faciliteren.

De auteurs merken op dat hoewel de specifieke toepassing bij de Mayo Clinic ligt, het conceptuele framework en de methodologische aanpak generaliseerbaar zijn voor andere gezondheidszorgsystemen. Ze erkennen beperkingen met betrekking tot de computationele intensiteit van grondige modeltuning en suggereren dat toekomstig werk automatische Neural Architecture Search (NAS) of agentic AI kan verkennen om de selectie van modellen over de vele vereiste configuraties verder te optimaliseren.