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

在医院手术室这种高风险的环境中，时间是与任何手术器械一样关键的资源。每一次手术比预期运行时间更长，都会产生连锁反应，导致后续手术延误、医护人员压力增大，并破坏精心编排的患者护理流程。对于护士和管理人员而言，准确预测手术时长不仅仅是一个便利性问题，它是安全、效率以及医疗团队福祉的基础。传统上，这些估算高度依赖于外科医生的直觉或过往病例的广泛平均值，而这些方法往往会忽略掉那些让每位患者和每个肿瘤都变得独特的细微且复杂的细节。

来自中南大学第二附属医院的一个研究小组转向了一种不同的方法来解决这个问题。他们开发了一个计算机系统，能够通过学习过去的手术记录，来预测一种被称为经蝶窦内镜下垂体腺瘤切除术的特定精细脑部手术的时长。这种手术涉及通过鼻子移除垂体腺瘤，是一种已成为标准疗法的微创技术。通过向计算机程序输入一百名既往患者的详细信息——从肿瘤的大小和形状到患者的年龄和病史——研究人员训练该系统去识别人类观察者可能会忽略的模式。他们的目标是从“猜测”转向“已知”，提供一个数据驱动的工具，帮助医院更精准地安排日程，并减轻护理人员的负担。

研究人员收集了 2016 年至 2025 年间接受该手术的一百名患者的信息。他们为每位患者收集了二十二项不同的信息，包括肿瘤的位置、质地、是否在既往切除后复发，以及肿瘤距离大脑深处关键结构的特定测量值。随后，他们将这些数据分为两组：一组较大的数据用于教导计算机系统识别特征，另一组较小的数据用于测试该系统在处理从未见过的病例时的表现。他们构建了两种不同类型的计算机模型。一种是随机森林模型，其原理是通过创建许多简单的决策树并将它们的答案结合起来；另一种是人工神经网络，这是一种旨在模仿人类大脑通过数字神经元连接处理信息方式的系统。

当团队对这些模型进行测试时，结果显示人工神经网络是更优越的工具。在测试患者组中，该模型预测手术时间的平均误差仅为三十八分钟左右。从实际意义上看，这意味着在超过四分之三的手术中，计算机的估算值与实际手术时间的偏差在四十五分钟以内。该模型确定了三个关键因素，它们是决定手术时长的最重要驱动力：肿瘤是否复发、肿瘤距离特定脑腔（称为第三脑室）底部的距离，以及手术过程中一个被称为“收缩征”（cinch sign）的特定视觉征象，这与肿瘤受挤压的情况有关。另一种模型，即随机森林，表现稍逊，它经常会低估复杂程度较高、耗时较长的手术所需的时间。

这项工作的意义超越了数字本身。研究人员发现，通过使用这种计算机模型，医院管理人员可以不再仅仅依赖外科医生的主观经验来做出调度决策。相反，他们将拥有一个基于眼前患者特定特征的客观、可重复的估算值。这使得护士长能够更有效地配置手术室的人员，确保在处理疑难病例时有足够数量的有经验的护士在场，并确保术后恢复室能为患者的实际到达时间做好准备。它减少了因最后时刻日程变更带来的混乱，并有助于防止因不可预测的延长班次而导致的精疲力竭。

然而，作者也谨慎地指出了其研究结果的局限性。该研究是在一家医院进行的，且患者数量相对较少，所有手术均由同一组外科医生完成。这意味着该模型学习的是这组特定医生的习惯和技术，因此在拥有不同医生或不同患者群体的其他医院，其效果可能不会这么好。研究人员还承认，虽然该计算机模型具有准确性，但它表现得像一个“黑箱”，难以解释它究竟是如何得出特定结论的。为了解决这个问题，他们建议未来的版本应包含使计算机推理过程对人类用户更加透明的方法。尽管存在这些局限性，该研究仍证明了机器学习可以成功捕捉患者解剖结构与手术所需时间之间复杂的非线性关系。

最终，这项研究为这样一个未来提供了缩影：手术室能够像调校精良的机器一样顺畅运行，由数据而非猜测来引导。通过准确预测手术时长，医院可以更好地管理其最宝贵的资源：人员和时间。未来的路径包括将这项工作扩展到更多医院和更多样化的手术团队，并完善模型以纳入护理团队经验等因素。如果取得成功，这种方法不仅能改变脑部手术，还能改变许多不同类型的微创手术的管理，从而创造出一个对员工压力更小、对患者更安全的临床环境。