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

In de hooggespannen omgeving van een operatiekamer in een ziekenhuis is tijd een hulpbron die even cruciaal is als elk chirurgisch instrument. Elke minuut dat een procedure langer duurt dan verwacht, heeft een rimpeleffect dat naar buiten toe doorwerkt, wat kan leiden tot vertragingen van opeenvolgende operaties, de personeelsbelasting verhoogt en de zorgvuldig georkestreerde flow van de patiëntenzorg verstoort. Voor verpleegkundigen en beheerders is het vermogen om precies te voorspellen hoe lang een operatie zal duren niet louter een kwestie van gemak; het is het fundament van veiligheid, efficiëntie en het welzijn van het medische team. Traditioneel gezien hebben deze schattingen sterk geleund op het onderbuikgevoel van de chirurg of brede gemiddelden van eerdere gevallen, methoden die vaak de subtiele, complexe details missen die elke patiënt en elke tumor uniek maken.

Een team van onderzoekers aan het Tweede Affiliated Hospital van de University of South China heeft een andere aanpak gekozen om dit probleem op te lossen. Zij ontwikkelden een computersysteem dat in staat is om te leren van eerdere chirurgische verslagen om de duur van een specifieke, delicate hersenoperatie te voorspellen, bekend als transsphenoidale endoscopische hypofyseadenomectomie. Deze procedure omvat het verwijderen van een tumor uit de hypofyse via de neus, een minimaal invasieve techniek die de standaardzorg is geworden. Door een computerprogramma gedetailleerde informatie te voeren van honderd eerdere patiënten—van de grootte en vorm van de tumor tot de leeftijd en medische geschiedenis van de patiënt—trainden de onderzoekers het systeem om patronen te herkennen die menselijke waarnemers mogelijk over het hoofd zien. Hun doel was om van gissen naar weten te gaan, door een datagestuurd hulpmiddel te bieden dat ziekenhuizen helpt hun dagen met grotere precisie in te plannen en de werkdruk voor het verplegend personeel te verminderen.

De onderzoekers verzamelden informatie van honderd patiënten die deze operatie ondergingen tussen 2016 en 2025. Ze verzamelden twintig twee verschillende stukken informatie voor elke persoon, waaronder de locatie van de tumor, de textuur, of de tumor na een eerdere verwijdering was teruggekeerd, en specifieke metingen van hoe dicht de tumor zich bij kritieke structuren diep in de hersenen bevond. Ze verdeelden deze gegevens vervolgens in twee groepen: een grotere groep om het computersysteem te leren waar het op moet letten, en een kleinere groep om te testen hoe goed het systeem presteerde op gevallen die het nog nooit eerder had gezien. Ze bouwden twee verschillende soorten computermodellen om de voorspellingen te doen. De ene was een random forest-model, dat werkt door veel eenvoudige beslissingsbomen te creëren en hun antwoorden te combineren, terwijl de andere een kunstmatig neuraal netwerk was, een systeem dat is ontworpen om de manier waarop het menselijk brein informatie verwerkt na te bootsen door lagen digitale neuronen met elkaar te verbinden.

Toen het team deze modellen testte, toonden de resultaten aan dat het kunstmatige neurale netwerk het superieure hulpmiddel was. Op de testgroep van patiënten voorspelde dit model de operatietijd met een gemiddelde fout van net iets meer dan achttig minuten. In praktische termen betekent dit dat voor meer dan drie kwart van de operaties de schatting van de computer binnen vijfenveertig minuten van de werkelijke tijd lag die de operatie in beslag nam. Het model identificeerde drie belangrijke factoren als de belangrijkste drijfveren voor de duur van de operatie: of de tumor was teruggekeerd, hoe ver de tumor van de bodem van een specifieke hersenkamer genaamd de derde ventrikel was, en een specifiek visueel teken tijdens de operatie bekend als het "cinch sign", wat gerelateerd is aan hoe de tumor wordt samengedrukt. Het andere model, de random forest, presteerde iets minder goed en onderschatte vaak de benodigde tijd voor langere, complexere procedures.

De betekenis van dit werk reikt verder dan de cijfers. De onderzoekers ontdekten dat ze door gebruik te maken van dit computermodel, ziekenhuisbeheerders weg konden bewegen van het uitsluitend vertrouwen op de subjectieve ervaring van een chirurg bij het maken van planningsbeslissingen. In plaats daarvan zouden zij een objectieve, herhaalbare schatting hebben op basis van de specifieken kenmerken van de patiënt die voor hen ligt. Dit stelt hoofden verpleegkundigen in staat om de operatiekamer effectiever te bemannen, waardoor ervoor wordt gezorgd dat het juiste aantal ervaren verpleegkundigen aanwezig is voor moeilijke gevallen en dat de verkoeverkamers klaar zijn voor de werkelijke aankomsttijd van patiënten. Het vermindert de chaos van last-minute wijzigingen in het schema en helpt de uitputting te voorkomen die voortkomt uit onvoorspelbare, verlengde diensten.

De auteurs merken echter voorzichtig op wat de grenzen van hun bevindingen zijn. De studie werd uitgevoerd in één enkel ziekenhuis met een relatief klein aantal patiënten, en alle operaties werden uitgevoerd door hetzelfde team van chirurgen. Dit betekent dat het model de specifieke gewoonten en technieken van die ene groep heeft geleerd, en het werkt mogelijk niet zo goed in een ander ziekenhuis met andere artsen of andere patiëntenpopulaties. De onderzoekers erkenden ook dat het computermodel, hoewel accuraat, fungeert als een "black box", waardoor het moeilijk is om precies uit te leggen hoe het tot een specifieke conclusie kwam. Om dit aan te pakken, stellen zij voor dat toekomstige versies van het hulpmiddel methoden moeten bevatten om de redenering van de computer duidelijker te maken voor menselijke gebruikers. Ondanks deze beperkingen demonstreert de studie dat machine learning succesvol de complexe, niet-lineaire relaties tussen de anatomie van een patiënt en de tijd die nodig is voor een operatie kan vastleggen.

Uiteindelijk biedt dit onderzoek een blik op een toekomst waarin operatiekamers draaien met de soepelheid van een goed afgestelde machine, geleid door data in plaats van giswerk. Door nauwkeurig te voorspellen hoe lang een operatie zal duren, kunnen ziekenhuizen hun meest waardevolle middelen beter beheren: hun mensen en hun tijd. De weg vooruit houdt in dat dit werk wordt uitgebreid naar meer ziekenhuizen en meer diverse chirurgische teams, en de modellen wordt verfijnd door factoren zoals de ervaring van het verpleegkundig team op te nemen. Als dit succesvol is, zou deze aanpak niet alleen de hersenchirurgie kunnen transformeren, maar ook het beheer van veel verschillende soorten minimaal invasieve procedures, wat een klinische omgeving creëert die minder stressvol is voor het personeel en veiliger voor de patiënten.