Hispanopedia Wiki
Articulo de referencia

Métodos predictivos para la duración de la cirugía

Las predicciones de la duración de la cirugía (DC) se utilizan para programar cirugías planificadas/electivas con el fin de optimizar la tasa de utilización de los quirófanos (m...

Hispanopedia WikiContenido en espanolLectura gratuita

Las predicciones de la duración de la cirugía (DC) se utilizan para programar cirugías planificadas/electivas con el fin de optimizar la tasa de utilización de los quirófanos (maximizarla sujeta a restricciones normativas). Un ejemplo de restricción es que no se supere una tolerancia preestablecida para el porcentaje de cirugías aplazadas (debido a la falta de espacio en el quirófano o la sala de recuperación). La estrecha relación entre la predicción de la DC y la programación de cirugías explica por qué la mayoría de las investigaciones científicas relacionadas con los métodos de programación también abordan los métodos predictivos de la DC, y viceversa . Se sabe que la duración de las cirugías presenta una gran variabilidad. Por lo tanto, los métodos predictivos de la DC intentan, por un lado, reducir la variabilidad (mediante estratificación y covariables , como se detalla más adelante) y, por otro, emplear los mejores métodos disponibles para generar predicciones de la DC. Cuanto más precisas sean las predicciones, mejor será la programación de cirugías (en términos de la optimización de la utilización del quirófano).

Idealmente, un método predictivo de SD proporcionaría una distribución estadística predicha de SD (especificando la distribución y estimando sus parámetros). Una vez especificada por completo la distribución de SD, se podría extraer de ella diversos tipos de información, como la duración más probable (moda) o la probabilidad de que SD no supere un determinado valor umbral. En circunstancias menos ambiciosas, el método predictivo predeciría al menos algunas de las propiedades básicas de la distribución, como los parámetros de ubicación y escala (media, mediana , moda, desviación estándar o coeficiente de variación , CV). Ciertos percentiles deseados de la distribución también podrían ser el objetivo de la estimación y predicción. Las estimaciones de expertos, los histogramas empíricos de la distribución (basados ​​en registros informáticos históricos), la minería de datos y las técnicas de descubrimiento de conocimiento suelen sustituir el objetivo ideal de especificar completamente la distribución teórica de SD.

Reducir la variabilidad de la desviación estándar (DE) antes de la predicción (como se mencionó anteriormente) se considera parte integral del método predictivo de la DE. Probablemente, la DE, además de la variación aleatoria, también tenga un componente sistemático; es decir, su distribución puede verse afectada por diversos factores (como la especialidad médica, la condición o edad del paciente, la experiencia profesional y el tamaño del equipo médico, el número de cirugías que un cirujano debe realizar en un turno y el tipo de anestesia administrada). Considerar estos factores (mediante estratificación o covariables) disminuiría la variabilidad de la DE y mejoraría la precisión del método predictivo. Incorporar estimaciones de expertos (como las de los cirujanos) en el modelo predictivo también puede contribuir a disminuir la incertidumbre de la predicción de la DE basada en datos. A menudo, las covariables estadísticamente significativas (también relacionadas como factores, predictores o variables explicativas) se identifican primero (por ejemplo, mediante técnicas simples como la regresión lineal y el descubrimiento de conocimiento ), y solo posteriormente se emplean técnicas de macrodatos más avanzadas , como la inteligencia artificial y el aprendizaje automático , para producir la predicción final.

Las revisiones bibliográficas de estudios que abordan la programación de cirugías también suelen abordar métodos predictivos de SD relacionados. Aquí hay algunos ejemplos (del más reciente al más antiguo). [ 1 ] [ 2 ] [ 3 ] [ 4 ]

El resto de esta entrada revisa diversas perspectivas asociadas con el proceso de producción de predicciones de SD: distribuciones estadísticas de SD , métodos para reducir la variabilidad de SD (estratificación y covariables) , modelos y métodos predictivos , y la cirugía como proceso de trabajo . Este último aborda la caracterización de la cirugía como un proceso de trabajo (repetitivo, semirrepetitivo o sin memoria) y su efecto en la forma de la distribución de SD.

Distribuciones estadísticas de desviación estándar

Modelos teóricos

Un método predictivo de SD muy sencillo consiste en especificar un conjunto de distribuciones estadísticas existentes y, basándose en los datos disponibles y los criterios de ajuste de distribución, seleccionar la distribución que mejor se ajuste. Existe un gran volumen de estudios comparativos que intentan seleccionar los modelos que mejor se ajustan a la distribución SD. Las distribuciones más frecuentemente abordadas son la normal , la lognormal de tres parámetros , la gamma (incluida la exponencial) y la Weibull . Las distribuciones de "prueba" menos frecuentes (para fines de ajuste) son el modelo log-logístico , Burr, la gamma generalizada y el modelo de riesgo constante por tramos . También se han reportado intentos de presentar la distribución SD como una distribución mixta (mezclas normal-normal, lognormal-lognormal y Weibull-Gamma). Ocasionalmente, se desarrollan métodos predictivos válidos para una distribución SD general, o se utilizan técnicas más avanzadas, como la Estimación de Densidad Kernel (KDE), en lugar de los métodos tradicionales (como los métodos de ajuste de distribución o los orientados a la regresión). Existe un amplio consenso en que la lognormal de tres parámetros describe mejor la mayoría de las distribuciones SD. Recientemente se ha desarrollado una nueva familia de distribuciones SD, que incluye la normal, la lognormal y la exponencial como casos especiales exactos. Aquí se muestran algunos ejemplos (del más reciente al más antiguo). [ 5 ] [ 6 ] [ 7 ] [ 8 ] [ 9 ] [ 10 ] [ 11 ] [ 12 ] [ 13 ] [ 14 ]

Utilizar registros históricos para especificar una distribución empírica

Como alternativa a especificar una distribución teórica como modelo para la desviación estándar (DE), se pueden utilizar registros para construir un histograma de los datos disponibles y emplear la función de distribución empírica correspondiente (el gráfico acumulativo) para estimar los percentiles necesarios (como la mediana o el tercer cuartil ). También se pueden utilizar registros históricos o estimaciones de expertos para especificar parámetros de ubicación y escala, sin necesidad de definir un modelo para la distribución de la DE.

métodos de minería de datos

Estos métodos han ganado popularidad recientemente como alternativa a la especificación previa de un modelo teórico para describir la distribución de la desviación estándar en todo tipo de cirugías. A continuación se detallan algunos ejemplos ("Modelos y métodos predictivos").

Reducción de la variabilidad de la desviación estándar (estratificación y covariables)

Para mejorar la precisión de la predicción de la desviación estándar (DE), se emplean dos enfoques principales para reducir la variabilidad de los datos de DE: la estratificación y las covariables (incorporadas al modelo predictivo). En la literatura, las covariables también se denominan factores, efectos, variables explicativas o predictores.

Estratificación

El término significa que los datos disponibles se dividen (estratifican) en subgrupos, según un criterio que estadísticamente ha demostrado afectar la distribución de la desviación estándar (DE). El método predictivo entonces busca producir predicciones de DE para subgrupos específicos, con una DE con variabilidad apreciablemente reducida. Ejemplos de criterios de estratificación son la especialidad médica, los sistemas de códigos de procedimientos , la gravedad de la condición del paciente o el hospital/cirujano/tecnología (con modelos resultantes relacionados como específicos del hospital, del cirujano o de la tecnología). Ejemplos de implementación son la Terminología de Procedimientos Actuales (CPT) y los Códigos de Diagnóstico y Procedimiento ICD-9-CM (Clasificación Internacional de Enfermedades, 9.ª Revisión, Modificación Clínica). [ 5 ] [ 15 ] [ 16 ] [ 17 ]

Covariables (factores, efectos, variables explicativas, predictores)

Este enfoque para reducir la variabilidad incorpora covariables en el modelo de predicción. El mismo método predictivo puede aplicarse de forma más general, con covariables que asumen diferentes valores para distintos niveles de los factores que afectan la distribución de la desviación estándar (generalmente al afectar un parámetro de localización , como la media, y, más raramente, también un parámetro de escala, como la varianza). Un método básico para incorporar covariables en un método predictivo consiste en asumir que la distribución de la desviación estándar sigue una distribución lognormal. Los datos transformados (al aplicar el logaritmo a los datos de la desviación estándar) representan entonces una población con distribución normal, lo que permite utilizar la regresión lineal múltiple para detectar factores estadísticamente significativos. También se han utilizado otros métodos de regresión que no requieren la normalidad de los datos o que son robustos ante su incumplimiento ( modelos lineales generalizados , regresión no lineal ) y métodos de inteligencia artificial (referencias ordenadas cronológicamente, de la más reciente a la más antigua). [ 14 ] [ 18 ] [ 19 ] [ 20 ] [ 21 ] [ 22 ] [ 23 ] [ 24 ] [ 25 ] [ 26 ] [ 27 ] [ 28 ] [ 29 ] [ 30 ]

Modelos y métodos predictivos

A continuación se presenta una lista representativa (no exhaustiva) de modelos y métodos empleados para generar predicciones de SD (sin un orden específico). Estos, o una combinación de ellos, pueden encontrarse en la muestra de referencias representativas que figura a continuación:

Regresión lineal (LR); Splines de regresión adaptativa multivariante (MARS); Bosques aleatorios (RF); Aprendizaje automático ; Minería de datos (conjuntos aproximados, redes neuronales); Descubrimiento de conocimiento en bases de datos (KDD); Modelo de almacén de datos (utilizado para extraer datos de varias bases de datos, posiblemente no interactivas); Estimación de densidad de kernel (KDE); Jackknife ; Simulación de Monte Carlo . [ 31 ] [ 32 ] [ 33 ] [ 34 ] [ 35 ] [ 2 ] [ 36 ] [ 37 ] [ 38 ] [ 39 ] [ 40 ]

La cirugía como proceso de trabajo (repetitivo, semirrepetitivo, sin memoria )

La cirugía es un proceso de trabajo y, por lo tanto, requiere insumos para lograr el resultado deseado: un paciente en recuperación postoperatoria. Ejemplos de insumos para procesos de trabajo, según la ingeniería de producción , son las cinco M: "dinero, mano de obra, materiales, maquinaria y métodos" (donde "mano de obra" se refiere al factor humano en general). Al igual que todos los procesos de trabajo en la industria y los servicios, las cirugías también poseen un contenido de trabajo característico, que puede ser inestable en diversos grados (dentro de la población estadística definida a la que apunta el método de predicción). Esto genera una fuente de variabilidad de la desviación estándar (DE) que afecta la forma de la distribución de la DE (desde la distribución normal , para procesos puramente repetitivos, hasta la exponencial , para procesos puramente sin memoria). Ignorar esta fuente puede confundir su variabilidad con la debida a covariables (como se detalló anteriormente). Por lo tanto, así como todos los procesos de trabajo pueden dividirse en tres tipos (repetitivos, semirepetitivos y sin memoria), las cirugías pueden dividirse de manera similar. Recientemente se ha desarrollado un modelo estocástico que considera la inestabilidad del contenido del trabajo, el cual proporciona una familia de distribuciones, con la normal/lognormal y la exponencial como casos especiales exactos. Este modelo se aplicó para construir un esquema de control estadístico de procesos para SD. [ 5 ] [ 41 ] [ 42 ]

Referencias

  1. ↑ Rahimi, Iman; Gandomi, Amir H. (11 de mayo de 2020). "Una revisión y análisis exhaustivos de la programación de quirófanos y cirugías" . Archives of Computational Methods in Engineering . 28 (3): 1667– 1688. doi : 10.1007/s11831-020-09432-2 . hdl : 10453/145725 . ISSN 1886-1784 . S2CID 219421229 .  
  2. 1 2 Bellini, Valentina; Guzzon, Marco; Bigliardi, Barbara; Mordonini, Monica; Filippelli, Serena; Bignami, Elena (enero de 2020). "Inteligencia artificial: una nueva herramienta en la gestión de quirófanos. Papel de los modelos de aprendizaje automático en la optimización de quirófanos" . Journal of Medical Systems . 44 (1): 20. doi : 10.1007/s10916-019-1512-1 . ISSN 0148-5598 . PMID 31823034. S2CID 209169574 .   
  3. ↑ Zhu, Shuwan; Fan, Wenjuan; Yang, Shanlin; Pei, Jun; Pardalos, Panos M. (2019-04-01). "Planificación de quirófanos y programación de casos quirúrgicos: una revisión de la literatura" . Journal of Combinatorial Optimization . 37 (3): 757– 805. doi : 10.1007/s10878-018-0322-6 . ISSN 1573-2886 . S2CID 85562744 .  
  4. ^ Cardoen, Brecht; Demeulemeester, Erik; Beliën, Jeroen (marzo de 2010). "Planificación y programación del quirófano: una revisión de la literatura" . Revista europea de investigación operativa . 201 (3): 921– 932. doi : 10.1016/j.ejor.2009.04.011 . S2CID 11003991 . 
  5. 1 2 3 Shore, Haim (2020-04-02). "Un modelo bivariado explicativo para la duración de la cirugía y su validación empírica" . Communications in Statistics . 6 (2): 142– 166. doi : 10.1080/23737484.2020.1740066 . ISSN 2373-7484 . S2CID 218927900 .  
  6. ↑ Taaffe, Kevin; Pearce, Bryan; Ritchie, Gilbert (2021). "Uso de la estimación de densidad de kernel para modelar la duración de procedimientos quirúrgicos" . International Transactions in Operational Research . 28 (1): 401– 418. doi : 10.1111/itor.12561 . ISSN 1475-3995 . 
  7. ↑ Joustra, Paul; Meester, Reinier; van Ophem, Hans (junio de 2013). "¿Pueden los estadísticos superar a los cirujanos en la planificación de operaciones?" . Economía Empírica . 44 (3): 1697– 1718. doi : 10.1007/s00181-012-0594-0 . hdl : 10.1007/s00181-012-0594-0 . ISSN 0377-7332 . S2CID 89603919 .  
  8. ↑ Choi, Sangdo; Wilhelm, Wilbert E. (2012-04-01). "Análisis de la secuenciación de cirugías con duraciones que siguen la distribución lognormal, gamma o normal" . IIE Transactions on Healthcare Systems Engineering . 2 (2): 156– 171. doi : 10.1080/19488300.2012.684272 . ISSN 1948-8300 . S2CID 120620428 .  
  9. ↑ Chakraborty, Santanu; Muthuraman, Kumar; Lawley, Mark (26 de febrero de 2010). "Programación clínica secuencial con pacientes que no se presentan y distribuciones generales del tiempo de servicio" . IIE Transactions . 42 (5): 354–366 . doi : 10.1080/07408170903396459 . ISSN 0740-817X . S2CID 18947312 .  
  10. ↑ Eijkemans, Marinus JC; van Houdenhoven, Mark; Nguyen, Tien; Boersma, Eric; Steyerberg, Ewout W.; Kazemier, Geert (2010-01-01). "Predecir lo impredecible: un nuevo modelo de predicción para tiempos de quirófano utilizando características individuales y la estimación del cirujano" . Anesthesiology . 112 ( 1): 41– 49. doi : 10.1097/ALN.0b013e3181c294c2 . hdl : 1765/27584 . ISSN 0003-3022 . PMID 19952726. S2CID 27705870 .   
  11. ↑ Spangler, William E.; Strum, David P.; Vargas, Luis G.; May, Jerrold H. (2004-05-01). "Estimación de tiempos de procedimiento para cirugías mediante la determinación de parámetros de ubicación para el modelo lognormal" . Health Care Management Science . 7 (2): 97– 104. doi : 10.1023/B:HCMS.0000020649.78458.98 . ISSN 1572-9389 . PMID 15152974. S2CID 31286297 .   
  12. ↑ Strum, David P.; May, Jerrold H.; Sampson, Allan R.; Vargas, Luis G.; Spangler, William E. (2003-01-01). " Estimación de tiempos de cirugías con procedimientos de dos componentes: comparación de los modelos lognormal y normal" . Anesthesiology . 98 (1): 232– 240. doi : 10.1097/00000542-200301000-00035 . ISSN 0003-3022 . PMID 12503002. S2CID 13326275 .   
  13. ↑ May, Jerrold H.; Strum, David P.; Vargas, Luis G. (2000). "Ajuste de la distribución lognormal a los tiempos de procedimientos quirúrgicos*" . Decision Sciences . 31 (1): 129– 148. doi : 10.1111/j.1540-5915.2000.tb00927.x . ISSN 1540-5915 . 
  14. 1 2 Strum, David P.; May, Jerrold H.; Vargas, Luis G. (2000-04-01). "Modelado de la incertidumbre de los tiempos de los procedimientos quirúrgicos" . Anesthesiology . 92 ( 4): 1160– 1167. doi : 10.1097/00000542-200004000-00035 . ISSN 0003-3022 . PMID 10754637. S2CID 17273369 .   
  15. ↑ Dexter, Franklin; Dexter, Elisabeth U.; Ledolter, Johannes (abril de 2010). "Influencia de la clasificación del procedimiento en la variabilidad del proceso y la incertidumbre de los parámetros de la duración de los casos quirúrgicos" . Anesthesia & Analgesia . 110 (4): 1155– 1163. doi : 10.1213/ANE.0b013e3181d3e79d . ISSN 0003-2999 . PMID 20357155. S2CID 7546223 .   
  16. ↑ Li, Ying; Zhang, Saijuan; Baugh, Reginald F.; Huang, Jianhua Z. (30 de noviembre de 2009). "Predicción de la duración de los casos quirúrgicos mediante una matriz de códigos CPT mal condicionada" . IIE Transactions . 42 (2): 121– 135. doi : 10.1080/07408170903019168 . ISSN 0740-817X . S2CID 33971174 .  
  17. ↑ Stepaniak, Pieter S.; Heij, Christiaan; Mannaerts, Guido HH; de Quelerij, Marcel; de Vries, Guus (octubre de 2009). "Modelado de tiempos de procedimiento y quirúrgicos para combinaciones actuales de terminología de procedimientos, anestesia y cirujano, y evaluación en términos de predicción de la duración del caso y eficiencia del quirófano: un estudio multicéntrico" . Anesthesia & Analgesia . 109 (4): 1232– 1245. doi : 10.1213/ANE.0b013e3181b5de07 . ISSN 0003-2999 . PMID 19762753. S2CID 5501541 .   
  18. ↑ Wang, Jin; Cabrera, Javier; Tsui, Kwok-Leung; Guo, Hainan; Bakker, Monique; Kostis, John B. (2020-02-10). "Efectos clínicos y no clínicos en la duración de la cirugía: evidencia de una base de datos sobre cirugía torácica" . Journal of Healthcare Engineering . 2020 : 1–8 . doi : 10.1155/2020/3582796 . PMC 7035554. PMID 32104558 .  
  19. ↑ Parker, Sarah Henrickson; Lei, Xue; Fitzgibbons, Shimae; Metzger, Thomas; Safford, Shawn; Kaplan, Seth (noviembre de 2020). "El impacto de la familiaridad del equipo quirúrgico en la duración del procedimiento y la duración de la estancia: relaciones inconsistentes entre procedimientos, miembros del equipo y sitios" . World Journal of Surgery . 44 (11): 3658– 3667. doi : 10.1007/s00268-020-05657-1 . ISSN 0364-2313 . PMID 32661690. S2CID 220506263 .   
  20. ↑ Powezka, Katarzyna; Normahani, Pasha; Standfield, Nigel J.; Jaffer, Usman (2020-03-01). "Una nueva puntuación de familiaridad del equipo para equipos quirúrgicos es un predictor de la duración de un procedimiento: un análisis bayesiano retrospectivo" . Journal of Vascular Surgery . 71 (3): 959– 966. doi : 10.1016/j.jvs.2019.03.085 . ISSN 0741-5214 . PMID 31401113. S2CID 199540652 .   
  21. ↑ Wang, Jin; Cabrera, Javier; Tsui, Kwok-Leung; Guo, Hainan; Bakker, Monique; Kostis, John B. (2020-02-10). "Efectos clínicos y no clínicos en la duración de la cirugía: evidencia de una base de datos sobre cirugía torácica" . Journal of Healthcare Engineering . 2020 : 1–8 . doi : 10.1155/2020/3582796 . ISSN 2040-2295 . PMC 7035554. PMID 32104558 .   
  22. ↑ Tan, KW; Nguyen, FNHL; Ang, BY; Gan, J.; Lam, SW (agosto de 2019). "Modelo de predicción de la duración quirúrgica basado en datos para la programación de cirugías: un estudio de caso para un modelo factible en la práctica en un hospital público" . 2019 IEEE 15.ª Conferencia Internacional sobre Ciencia e Ingeniería de la Automatización (CASE) . págs. 275–280 . doi : 10.1109/COASE.2019.8843299 . ISBN  978-1-7281-0356-3. S2CID 202701068 . 
  23. ^ van Eijk, Rubén PA; van Veen-Berkx, Elizabeth; Kazemier, Geert; Eijkemans, Marinus JC (agosto de 2016). "Efecto de cirujanos y anestesiólogos individuales sobre el tiempo en quirófano" . Anestesia y Analgesia . 123 (2): 445– 451. doi : 10.1213/ANE.0000000000001430 . ISSN 0003-2999 . PMID 27308953 . S2CID 21344455 .   
  24. ↑ Kayış, Enis; Khaniyev, Taghi T.; Suermondt, Jaap; Sylvester, Karl (2015-09-01). "Un modelo de estimación robusto para duraciones de cirugía con efectos temporales, operacionales y del equipo quirúrgico" . Health Care Management Science . 18 (3): 222– 233. doi : 10.1007/s10729-014-9309-8 . ISSN 1572-9389 . PMID 25501470. S2CID 28157635 .   
  25. ↑ Gillespie, Brigid M.; Chaboyer, Wendy; Fairweather, Nicole (2012-01-01). "Factores que influyen en la duración esperada de la operación: resultados de un estudio prospectivo" . BMJ Quality & Safety . 21 (1): 3– 12. doi : 10.1136/bmjqs-2011-000169 . hdl : 10072/47509 . ISSN 2044-5415 . PMID 22003174. S2CID 9857941 .   
  26. ↑ Kayis, Enis; Wang, Haiyan; Patel, Meghna; Gonzalez, Tere; Jain, Shelen; Ramamurthi, RJ; Santos, Cipriano; Singhal, Sharad; Suermondt, Jaap; Sylvester, Karl (2012). "Mejora de la predicción de la duración de la cirugía mediante factores operacionales y temporales" . Actas del Simposio Anual de la AMIA. Simposio de la AMIA . 2012 : 456–462 . ISSN 1942-597X . PMC 3540440. PMID 23304316 .   
  27. ↑ Palmer, Phillip B.; O'Connell, Dennis G. (septiembre de 2009). " Análisis de regresión para la predicción: comprensión del proceso" . Cardiopulmonary Physical Therapy Journal . 20 (3): 23– 26. doi : 10.1097/01823246-200920030-00004 . ISSN 2374-8907 . PMC 2845248. PMID 20467520 .   
  28. ↑ Dexter, Franklin; Dexter, Elisabeth U.; Masursky, Danielle; Nussmeier, Nancy A. (abril de 2008). "Revisión sistemática de artículos de cirugía torácica general para identificar predictores de la duración de los casos en quirófano" . Anesthesia & Analgesia . 106 (4): 1232– 1241. doi : 10.1213/ane.0b013e318164f0d5 . ISSN 0003-2999 . PMID 18349199. S2CID 24481667 .   
  29. ↑ Ballantyne, Garth H.; Ewing, Douglas; Capella, Rafael F.; Capella, Joseph F.; Davis, Dan; Schmidt, Hans J.; Wasielewski, Annette; Davies, Richard J. (2005-02-01). "La curva de aprendizaje medida por los tiempos quirúrgicos para el bypass gástrico laparoscópico y abierto: roles de la experiencia del cirujano, la experiencia institucional, el índice de masa corporal y la formación de becarios" . Cirugía de la obesidad . 15 (2): 172– 182. doi : 10.1381/0960892053268507 . ISSN 1708-0428 . PMID 15810124 . S2CID 9083869 .   
  30. ↑ Strum, David P.; Sampson, Allan R.; May, Jerrold H.; Vargas, Luis G. (2000-05-01). "El cirujano y el tipo de anestesia predicen la variabilidad en los tiempos de los procedimientos quirúrgicos" . Anesthesiology . 92 ( 5): 1454– 1466. doi : 10.1097/00000542-200005000-00036 . ISSN 0003-3022 . PMID 10781292. S2CID 18089668 .   
  31. ↑ Soh, KW; Walker, C.; O'Sullivan, M.; Wallace, J. (2020-01-02). "Una evaluación del modelo híbrido para predecir la duración de la cirugía" . Journal of Medical Systems . 44 (2): 42. doi : 10.1007/s10916-019-1501-4 . ISSN 1573-689X . PMID 31897758. S2CID 209541497 .   
  32. ↑ Soh, KW; Walker, C.; O'Sullivan, M.; Wallace, J. (2020-10-01). "Comparación del promedio de modelos Jackknife e Hybrid-Boost para predecir la duración de las cirugías: un estudio de caso" . SN Computer Science . 1 (6): 316. doi : 10.1007/s42979-020-00339-0 . ISSN 2661-8907 . 
  33. ↑ Jiao, York; Sharma, Anshuman; Ben Abdallah, Arbi; Maddox, Thomas M.; Kannampall, Thomas (2020-12-09). "Pronóstico probabilístico de la duración de casos quirúrgicos mediante aprendizaje automático: desarrollo y validación del modelo" . Journal of the American Medical Informatics Association . 27 (12): 1885– 1893. doi : 10.1093/jamia/ ocaa140 . ISSN 1527-974X . PMC 7727362. PMID 33031543 .   
  34. ↑ Rozario, Natasha; Rozario, Duncan (12 de noviembre de 2020). "¿Puede el aprendizaje automático optimizar la eficiencia del quirófano en la era de la COVID-19?" . Revista Canadiense de Cirugía . 63 (6): E527– E529. doi : 10.1503/cjs.016520 . PMC 7747850 . PMID 33180692 .  
  35. ↑ Bartek, Matthew A.; Saxena, Rajeev C.; Solomon, Stuart; Fong, Christine T.; Behara, Lakshmana D.; Venigandla, Ravitheja; Velagapudi, Kalyani; Lang, John D.; Nair, Bala G. (octubre de 2019). "Mejora de la eficiencia del quirófano: enfoque de aprendizaje automático para predecir la duración del tiempo de la intervención" . Journal of the American College of Surgeons . 229 (4): 346–354.e3. doi : 10.1016/j.jamcollsurg.2019.05.029 . PMC 7077507. PMID 31310851 .  
  36. ↑ Tuwatananurak, Justin P.; Zadeh, Shayan; Xu, Xinling; Vacanti, Joshua A.; Fulton, William R.; Ehrenfeld, Jesse M.; Urman, Richard D. (2019-01-17). "El aprendizaje automático puede mejorar la estimación de la duración de los casos quirúrgicos: un estudio piloto" . Journal of Medical Systems . 43 (3): 44. doi : 10.1007/s10916-019-1160-5 . ISSN 1573-689X . PMID 30656433. S2CID 58014888 .   
  37. ↑ Zhao, Beiqun; Waterman, Ruth S.; Urman, Richard D.; Gabriel, Rodney A. (2019-01-05). "Un enfoque de aprendizaje automático para predecir la duración del caso en cirugía asistida por robot" . Journal of Medical Systems . 43 (2): 32. doi : 10.1007/s10916-018-1151-y . ISSN 1573-689X . PMID 30612192. S2CID 57447853 .   
  38. ↑ Hosseini, N.; Sir, MY; Jankowski, CJ; Pasupathy, KS (2015). "Estimación de la duración quirúrgica mediante minería de datos y modelado predictivo: un estudio de caso" . Actas del Simposio Anual de AMIA. Simposio de AMIA . 2015 : 640–648 . ISSN 1942-597X . PMC 4765628. PMID 26958199 .   
  39. ↑ ShahabiKargar, Zahra; Khanna, Sankalp; Good, Norm; Sattar, Abdul; Lind, James; O'Dwyer, John (2014). "Predicción de la duración del procedimiento para mejorar la programación de cirugías electivas" . En Pham, Duc-Nghia; Park, Seong-Bae (eds.). PRICAI 2014: Tendencias en inteligencia artificial . Lecture Notes in Computer Science. Vol. 8862. Cham: Springer International Publishing. pp. 998–1009 . doi : 10.1007/978-3-319-13560-1_86 . ISBN   978-3-319-13560-1.
  40. ↑ Combes, C.; Meskens, N.; Rivat, C.; Vandamme, J.-P. (2008-03-01). "Uso de un proceso KDD para pronosticar la duración de la cirugía" . International Journal of Production Economics . 112 (1): 279– 293. doi : 10.1016/j.ijpe.2006.12.068 . ISSN 0925-5273 . 
  41. ↑ Shore, Haim (2020). "Esquema SPC para monitorear la duración de la cirugía" . Quality and Reliability Engineering International . 37 (4): 1561– 1577. doi : 10.1002/qre.2813 . ISSN 1099-1638 . S2CID 229442000 .  
  42. ↑ Shore, Haim (13 de diciembre de 2021). "Estimación de la tasa de utilización del quirófano para tiempos de cirugía distribuidos de manera diferente" . International Journal of Production Research . 61 (2): 447– 461. doi : 10.1080/00207543.2021.2009141 . ISSN 0020-7543 . S2CID 245200753 .