Actionable Real-Time Modeling of Surgical Team Dynamics via Time-Expanded Interaction Graphs

Resumo Técnico: Modelagem Acionável em Tempo Real da Dinâmica da Equipe Cirúrgica por Meio de Grafos de Interação Expandidos no Tempo

Declaração do Problema
O desempenho da equipe cirúrgica é impulsionado por interações complexas entre a execução técnica e habilidades não técnicas, como comunicação e coordenação. Embora a Ciência de Dados Cirúrgicos (SDS) tenha avançado na modelagem de fluxos de trabalho visuais e na avaliação de habilidades técnicas, a dinâmica da equipe intraoperatória permanece pouco explorada. Abordagens existentes frequentemente carecem de representações estruturadas das interações da equipe ao longo do tempo ou falham em fornecer orientações acionáveis para a melhoria do desempenho. Além disso, falhas de comunicação e alocação de tarefas desalinhadas podem levar a ineficiências temporais, que correlacionam-se com riscos pós-operatórios aumentados e custos operacionais significativos. Modelos preditivos atuais frequentemente lutam em regimes de dados pequenos típicos de equipes cirúrgicas, onde redes neurais de grafos temporais padrão podem sofrer de sobreajuste devido a dados limitados e ao tamanho da equipe.

Metodologia
Os autores propõem uma estrutura que modela a colaboração da equipe cirúrgica como uma sequência de grafos de interação multimodais construídos sobre janelas temporais fixas de 15 segundos. O núcleo da abordagem é a Rede Neural Relacional Expandida no Tempo (TE-ReNN), que integra a dinâmica temporal diretamente na topologia do grafo, em vez de depender de arquiteturas recorrentes.

1. Modelagem de Interação:

   • Entrada: Dados de séries temporais multimodais (paralinguísticos, movimento, interação humano-objeto) extraídos de gravações de áudio-vídeo.
   • Construção do Grafo: Para cada janela de tempo $t$, um grafo instantâneo $G_t$ é criado onde os nós representam membros da equipe e as arestas representam comunicação verbal. Uma "hipótese de transmissão" é utilizada: quando um membro fala, arestas direcionadas são adicionadas a todos os outros membros presentes, refletindo o ambiente acústico compartilhado da sala cirúrgica (OR).
   • Recursos do Nó: Cada nó integra recursos paralinguísticos (volume, razão alfa, razão harmônico-ruído do eGeMAPS 2.0), recursos de movimento (posição, deslocamento), tripletas de interação humano-ferramenta e funções funcionais.

2. Grafo Expandido no Tempo ($G_{TE}$):

   • A estrutura constrói um grafo unificado $G_{TE}$ conectando grafos instantâneos ao longo do tempo.
   • Arestas intra-instantâneas: Capturam a comunicação dentro de uma janela de tempo específica.
   • Arestas de identidade inter-instantâneas: Ligam instâncias temporais consecutivas do mesmo membro da equipe ($v^t_i \to v^{t+1}_i$) para preservar a continuidade da identidade e modelar a dinâmica individual longitudinal.
   • Esta estrutura permite que a informação se propague tanto entre membros da equipe dentro de uma janela quanto ao longo de trajetórias individuais ao longo do tempo.

3. Análise Contrafactual Acionável:

   • Para ir além da previsão, o sistema gera explicações contrafactuais que identificam mudanças mínimas necessárias para melhorar os resultados previstos (especificamente, reduzindo o tempo operatório).
   • Contrafactuais Topológicos: Um procedimento de otimização combinatória determina quais interações (arestas) devem ser adicionadas ou removidas para mudar um procedimento de "lento" para "médio" ou "rápido".
   • Contrafactuais no Nível de Recursos: Um algoritmo ganancioso identifica mudanças mínimas nos recursos paralinguísticos. Esses recursos são mapeados para oito classes comportamentais discretas (por exemplo, "Líder Calmo", "Dominante–Agressivo", "Retraído"). O sistema simula a troca da classe comportamental de um membro da equipe para observar o impacto na eficiência prevista.

Principais Contribuições

• Arquitetura TE-ReNN: Uma arquitetura de rede neural inovadora que modela simultaneamente interações relacionais e evolução temporal ao incorporar o tempo diretamente na estrutura do grafo, abordando riscos de sobreajuste em configurações cirúrgicas com poucos dados.
• Estrutura de Contrafactuais de Dois Níveis: Um método para gerar sugestões comportamentais interpretáveis, operando tanto no nível topológico (estrutura de interação) quanto no nível de recursos (classes comportamentais).
• Validação Experimental: Avaliação no conjunto de dados MM-OR (procedimentos simulados de substituição de joelho) demonstrando a capacidade do modelo de melhorar a identificação precoce de intervenções prolongadas e fornecer explicações coerentes.

Resultados
Os experimentos foram conduzidos utilizando um protocolo de saída de uma equipe por vez em 27 procedimentos cirúrgicos simulados (14 cirurgias completas).

• Desempenho Preditivo: O modelo TE-ReNN alcançou a maior pontuação macro-F1 (70,1%) em comparação com baselines incluindo Redes Neurais Estáticas (SNN), Redes Neurais Temporais (TNN), Redes Neurais Relacionais (ReNN) e redes Temporais-Relacionais combinadas (TReNN). Isso confirma que modelar conjuntamente recursos comportamentais, dependências temporais e estruturas de grafos relacionais produz desempenho superior em comparação com tratar esses componentes separadamente.
• Insights Contrafactuais:
  • Topológicos: A análise sugeriu que as desacelerações frequentemente ocorrem quando cirurgiões atuando como "líderes democráticos" se envolvem em conversas com membros não diretamente envolvidos na tarefa atual, enquanto o foco "autoritário" nas tarefas correlaciona-se com procedimentos mais rápidos.
  • Nível de Recursos: O modelo identificou que modificar apenas 10% da classe comportamental de um membro da equipe ao longo de uma janela de tempo poderia resultar em um aumento aproximado de 50% no desempenho previsto. O comportamento de "Líder Calmo" foi notavelmente associado a desacelerações em contextos específicos, enquanto outras mudanças comportamentais mostraram potencial para ganhos de eficiência.

Significado e Alegações
O artigo alega avançar a IA Cirúrgica em direção a suporte de decisão em tempo real, consciente da equipe e acionável. Ao enquadrar o tempo operatório como um proxy para o desempenho da equipe, o trabalho fornece um sistema que não apenas prevê resultados, mas oferece recomendações específicas e interpretáveis sobre como a comunicação e o comportamento da equipe podem ser modificados para alcançar os resultados desejados. Os autores enfatizam que essa abordagem preenche a lacuna entre a precisão preditiva e o feedback acionável em ambientes de alto risco.

Limitações
Os autores reconhecem que o tempo operatório é uma aproximação do desempenho da equipe, em vez de uma medida direta da qualidade do cuidado. Além disso, a utilidade prática das explicações contrafactuais geradas requer validação adicional por especialistas do domínio, e o escopo atual é limitado a modalidades específicas e procedimentos simulados.