文摘
成本控制是医院管理变得越来越重要。医院手术室高资源消耗,因为他们是医院的重要组成部分。因此,手术室的最佳使用会导致高储蓄资源。然而,由于操作过程的不确定性,很难提前安排手术室的使用。一般来说,手术和麻醉的时间出现确定手术室的时间要求,这些时间是很难预测的。在这项研究中,我们使用了一个人工神经网络来构造一个手术和麻醉出现duration-prediction系统。我们提出一种智能数据预处理算法来自动平衡和提高训练数据集。实验结果表明,提出的连续预测系统的预测精度相比,独立的系统来说是可接受的。
1。介绍
近年来,成本节约已经成为医院的关键(1- - - - - -3]。除了员工工资,医院必须支付设备、材料和管理费用。手术室的利用率的一个保守的估计成本超过15美元每分钟2012年(1]。然而,在2017年,估计每分钟增加到36美元(2]。一直是一个重要的成本在手术室调度优化目标(3]。因此,成本控制是医院管理成功的关键因素。
手术室是医院的核心组件,和它的使用大大有助于医院成本(4]。一般来说,手术需要昂贵的资源,如设备、材料、能源、和医务人员(5]。在一些医院,几个手术室形成层流操作中心的能源使用成本五个手术室一小时几乎是一样使用一个手术室一小时。然而,能源的使用一个手术室成本五个小时使用的是五倍五手术室一小时。如果使用的手术室并非最优,成本很高。因此,需要详细的手术室调度,确保所有必需的资源可以在正确的时间。
因此,精心手术室安排可以降低成本。然而,这样的一个时间表是难以实现的,主要是由于不确定性在手术室使用时间(6),这是由手术和麻醉持续时间出现。手术持续时间被定义为时间从开始到结束手术。麻醉期间出现的时间从最终手术病人醒来的时候。麻醉出现相关只有在全身麻醉下手术。如果手术室安排不分配足够的时间操作,接下来的操作不能准时开始。然而,如果计划操作持续时间比实际时间长,手术室将空缺,导致资源的浪费。在极端的情况下,手术室可能超出其计划工作时间保持开放的心态,导致昂贵的加班工资和能源消耗7]。同样的,不准确的估计麻醉持续时间的出现会导致贫穷的手术调度,造成资源浪费。相比之下,最优调度可以减少资源消耗所造成的估计之间的差异和实际手术室使用时间。
之前的研究使用了多种方法来估计手术时间(8- - - - - -17]。外科医生的常见方法是假设决策的决定性因素。手术室的外科医生做一个粗略的估计使用基于之前的平均持续时间次类似的操作(经验),类型的手术,病人的特点,和其他因素。(8]。他们倾向于避免风险和能力估计手术时间有限(9]。使用这种方法,时间被低估或高估了32%达到42%,(10]。第二个常见的方法是使用电子健康记录(EHRs)来计算给定情况下基于历史数据的时间11]。因为EHR不考虑因素,如身体质量指数、麻醉类型、员工等等(12),它的准确性对普通病人略高一些的(11),极大地依赖于其他因素。另一种方法是模拟情况持续时间根据概率分布的概念。常用的概率分布包括hypergamma,对数正态,γ,和威布尔分布13]。这种方法经常被用来描述随机时间的手术,但是,它的准确性没有在文献中报道。人工智能的普及,大量的统计和机器学习工具被用来预测手术持续时间。这些方法包括贝叶斯方法14),回归技术(14- - - - - -16),神经网络(14- - - - - -16),和随机森林17]。例如,井斜等。14)建立了神经网络和回归模型三种类型的眼科手术研究(白内障、角膜移植和oculoplastic手术)。预测均方根误差是影响由隐层神经元的数量模型。由于不同类型的手术,RMSE是0.0656 - -0.6295。基于文献[的结果14),我们进行更深入的实验预测模型架构的决策,包括隐藏层的数量和每个隐层神经元的数目。
Bartek et al。15)使用线性回归和监督机器学习创建surgeon-specific模型(92个人模型)和特定于服务的模型(12特定于服务的模型)。前32%到39%的预测精度和更好的比后者。Shahabikargar et al。17)使用过滤后的随机森林算法来预测手术持续时间。他们过滤60362选择性手术在两家医院的数据删除丢失,不一致,建模之前重复的值。总体预测误差下降了44%(平均绝对百分比误差从0.68到0.38%)相比误差没有数据预处理。因此,数据预处理,我们指的是数据清洗操作在文献[17),提出了一个智能的数据预处理算法,提高数据质量。
Tuwatananurak et al。16)采用监督学习学习990三个月内有效的外科手术数据。结果显示之间的绝对差7分钟提高预测和实际情况持续时间相比,使用传统的EHR获得。该方法也导致整体调度错误减少了70%。医院寻求更经济过程安排,病人的麻醉复苏正在从手术室postanesthesia病房,导致分离操作时间的麻醉恢复时间。因此,这两个必须单独预测。我们所知,没有研究已经报道了麻醉觉醒时间的预测。因此,在这项研究中,我们构造了一个连续的人工神经网络(ANN)预测手术和麻醉恢复时间。
人工智能最近采用了各种预测问题和导致良好的预测性能。例如,一个安被用来预测减刑的累犯囚犯(18和解决船舶检测问题19]。支持向量机(SVM)是用于分类回收晶片为好,而不是类(20.]。司机在雾中lane-keeping能力问题是解决使用关联规则(21]。安已经用于解决各种类型的预测问题,具有更好的准确性比监督学习的支持向量机(20.,22]。因此,为了更准确地预测手术和麻醉期间出现安排手术室更有效率和有效,安是用来构造手术持续时间预测系统在我们之前的研究23),我们使用安建设出现麻醉持续时间预测系统在这个研究。手术出现麻醉持续时间影响的持续时间:手术持续时间越长,出现麻醉持续时间越长。因此,前者是一个输入变量出现麻醉持续时间预测系统。然而,实际的执行程序之前手术持续时间是未知的。因此,我们,首先,构造两个预测系统:手术时间、麻醉出现持续时间预测系统,然后结合他们获得最终的预测系统。我们使用了预测手术持续时间作为输入变量出现麻醉持续时间预测系统。根据实验结果,最后预测系统的预测精度为95.52%。此外,我们开发了一个智能的数据预处理算法来平衡,提高安的数据集。该算法自动计算出最合适的复制。
本文的其余部分组织如下:部分2介绍了安,感知器,多层感知器(MLP)。部分3描述了实验和数据预处理算法。部分4讨论了三种预测系统的实验结果:手术时间、麻醉时间出现,和最终的预测系统。最后,结论和未来的研究提出了建议5。
2。对人工神经网络
2.1。人工神经网络
安是一个复杂的人工系统基于数学模型的基础上,功能,结构,人类大脑和神经系统的信息处理(24,25]。类似于人类的大脑,一个安是一个自学习系统,学会预测输出通过执行许多迭代。所有类型的安节点类似于人类大脑中的神经元,其中每个用作输入的下一个节点,在权重函数(26,27]。在学习过程中,权重更新使用系统的算法。获得更好的输出精度,安经常执行反向传播学习算法,即。,it uses a certain set of weights and biases to perform an iteration, calculate the error with the output and actual value, propagate backwards, and update the weights and bias by the error to ensure that after several such forward and backward propagations, the output accuracy is high [28,29日]。安训练后,可以将新数据或预测使用接收到的刺激(新的输入数据),重量和偏见。
安是一个功能强大的工具为学习和建模复杂的线性或非线性关系。更准确地说,它构建的模型是类似于“黑盒。”本质的输入和输出数据之间的关系是未知的30.]。人工神经网络已被广泛应用于各种问题在多个领域,包括工程(31日,32)、生物学、数学、医学、分析和预测各种疾病(33]。
2.2。感知器
感知器模型来自议员模型建立了麦克洛克和皮特34]。通过模拟生物神经细胞的原理和过程,议员模型描述了数学理论和人工神经元网络结构,证明了单个神经元可以实现逻辑函数。议员模型包含输入、输出和计算功能。输入和输出类似于神经元的树突和轴突,分别而计算类似于处理在细胞核进行的,与每个突触被分配一个重量。
灵感来自于国会议员模型,感知器模型由两层组成。第一层,称为输入层,接收刺激,并将其传递到最后一层。在最后一层输出层,所有输入刺激乘以各自的权重,和感知器增加了所有使用求和函数加权的刺激和偏见。最后,感知器使用一个激活函数来模拟大脑的数据处理(35]。一个感知器的基本网络结构如图1。
2.3。多层感知器
更好地处理非线性问题,Hecht-Nielsen提出一个多层感知器通过将额外的层(s)的神经元之间的输入和输出层(35]。如图2中长期规划,有两个基本组件的基本结构:神经元和神经元之间的联系。的神经元的处理元素,链接是互联。每一个环节都有相应的重量参数或偏差参数 。当一个神经元接收来自其他神经元的刺激通过链接,它处理的信息并产生一个输出。此外,这些中间层被认为不会被外部环境。因此,他们被称为隐藏层,隐藏层被称为隐藏节点的节点。类似于感知器,输入神经元接收外部的刺激,神经元的输出提供输出。使用类似的神经元动力学,隐藏的神经元接受刺激神经元在前面的网络和继电器输出神经元的网络(18]。
3所示。实验
3.1。数据设置
操作记录收集2019年1月至2020年7月从攀枝花大学的附属医院被用作样品在这个研究。记录是仅用于学术目的和匿名以保护隐私。
总共15754个样本进行这项研究。这些样本数据没有肝和肾脏疾病的病人。消除潜在的因素,可能影响操作时间,所有样本紧急手术患者或重症监护病房的患者手术后被排除在外。因此,记录只包含患者完整的情况下数据。样本与所有类型的麻醉被认为是预测手术的持续时间,而只有在全身麻醉下样品被认为是预测麻醉期间出现。
为了提高模型的预测精度,我们收集的数据可用的术前和确定手术和麻醉持续时间出现的影响因素模型的输入变量通过文献调查和医生的采访。手术和麻醉的输入和输出变量出现持续时间预测系统表中给出1和2,分别。在表1,输入变量是由三部分组成:病人基本信息和术前生理数据(A1-A18),外科医生(A20-A23),信息和操作信息(A19和A24)。在表2,输入变量是由三部分组成:病人基本信息和术前生理数据(A1-A18),麻醉师信息(A20-A23)和操作(A19和A24)的信息。通过比较这些表,我们观察到20th和24th两个系统的输入变量是不同的。首先,正如前面提到的数据设置标准,样品与局部和全身麻醉中使用了第一个系统,只有样品与全身麻醉用于第二个系统。因此,他们是全身麻醉的分为四种类型。此外,手术的时间依赖外科医生,而麻醉期间出现依赖麻醉师。此外,外科年级有着深远的影响的持续时间手术,但是在麻醉期间出现的影响几乎可以忽略不计。因此,它在后者的情况下被忽视。总之,麻醉手术期间可能会影响的持续时间出现。因此,第一个系统的输出变量是用作24日第二系统的输入变量。考虑到手术的时间小于4 h,所有样品的时间少于4 h被用来预测手术的时间。鉴于大多数麻醉出现的时间小于1 h,所有样品的时间小于1 h被用来预测麻醉的时间出现。 Therefore, the last row of Table1显示,手术持续时间分为四个尺度:不超过一个小时,1 h 2 h, 2 h - 3 h, 3 h - 4 h。同样,麻醉期间出现被划分为四个尺度:不超过15日,15 - 40岁,40到50岁和50到60分钟,见表的最后一行2。
安的成功在很大程度上依赖于适当的数据预处理。因此,在本研究中所有数据预处理使用数据转换(36),检查(37,排除异常值。数据预处理后,6507年和5790年手术样本回顾性用于预测手术和麻醉的时间出现,分别。此外,规范数据建议避免梯度爆炸和消除数据异质性的影响,这只会阻碍学习过程(38]。所有的数据规范化介于0.1和0.9之间。此外,平衡和丰富数据是必不可少的步骤解决分类问题(39]。我们提出一种智能数据预处理算法来平衡和提高数据集。此后,我们将数据集分为训练,测试和验证数据集。最重要的过程,这个算法是数据平衡。数据平衡的目的是减少在每个类别的数据量的差异。两个例子的数据平衡图所示3。在类别显示的数据量 ,和显示的最大 。所有类别必须平衡基础上的数据 。在图3例如,在类别1和代表的数据量等于60。等于100。1必须平衡数据基于类别 。原始的区别(60)和40(100)值。如果我们增加的数据量在类别1到120,之间的区别 (120)和(100)减少到20。因此,在类别1,最好的多是2。在另一个例子,类别2中显示的数据量,等于30。如果我们增加类别的数据量2到90年,之间的区别 (90)和(100)10。然而,如果在类别2到120的数据量增加,之间的区别 (120)和(100)增加到20。因此,在第二类,最好的多是3。基于上述概念,规则的乘法表列出了数据平衡3。在表3,如果 ,数据的多重平衡 。智能数据预处理算法的主要过程如图4。该算法只需要规范化数据,多个用于增强,数据集的分区比作为输入。最后,我们获得了平衡,增强和分区数据集。我们生成新的样品和扩展数据库大小加上轻微噪声输入数据,同时保持相同的输出类别。的价值之间的噪声−0.03,+ 0.03。
数据平衡后,数据增加了三倍,初始实验实验和在最后的10倍。此外,数据表示是成功的一个重要组成部分安(37]。在这项研究中,输出变量的分类根据四个二进制数,也就是说,1000年,0100年,0010年和0001年,1表示类别的位置。
3.2。计算环境设置
我们使用Python 3.7(64位),编译器来编写程序。硬件包括英特尔酷睿(TM) i7 - 10510 u (2.3 GHz CPU), 8 GB的内存,10家版(64位)和Windows操作系统。
3.3。实验结构
实验是在两个部分进行。在第一部分中,我们使用延时构建手术持续时间预测系统和麻醉出现持续时间预测系统。确定最优结构的模型,我们进行了两组实验相同的数据分区和参数设置。整个数据集分为三个数据集,即训练、测试和验证,在各自的比例60,20,20% (39,40]。
延时,亚当优化器被用来调整权重和叉损失函数计算的损失预测系统。批量大小设置为100,和训练周期的数量设置为200年和1000年的最后一个实验优化体系结构。隐藏层和隐藏节点的数量在每一层的关键限定词的结果(35,39,41]。我们使用试错法来确定一个最优数量的隐藏层和隐藏的节点。隐藏层的数量设置为三,四,五,六,每个层和隐层节点的数量设置为64,128年,256年和512年,分别。因此,16个参数组合得到的实验结果进行比较和分析。减少随机影响的实验中,我们进行了十个实验为每个参数组合。最后,我们获得了两个优化体系结构和权重在第二部分使用。数据5和6显示延时结构的手术持续时间预测系统和麻醉出现持续时间预测系统,分别。
在第一部分中,我们使用的实际持续时间手术作为第二个模型的输入变量。然而,随着中提到的部分3.1输出变量的第一个模型是第二个模型的输入变量。因此,在第二部分中,我们将这两个预测系统合并为一个。换句话说,我们使用了预测手术持续时间为第二个模型作为输入变量。因此,我们交叉与5790年6507份手术样本麻醉出现预测样本,获得了4285个样本。预计手术时间是通过将样品提供给第一个预测系统。预计手术时间与其他的属性组合样品和送入第二预测系统中确定麻醉持续时间出现。图7显示了最终的组合预测系统。
4所示。实验结果和分析
4.1。手术持续时间预测系统的实验结果
我们使用试错法来确定最终的手术持续时间预测系统的体系结构。实验结果在表中列出4- - - - - -11。表4和5分别预测准确性和损失现值,手术持续时间预测系统。此外,为了进一步探索不同的延时性能的架构,使用的实验结果进行了分析t以及,如表所示6- - - - - -10。表11列出了运行时间为每个建筑成本。我们确定最终的架构基于最大延时预测准确性和成本合理的运行时间。
在表4,的意思是和性病分别显示的平均预测精度和标准偏差,十多个实验。马克斯和最小值表示最大和最小预测精度在10个实验,分别。这里,3 - 64模型表示,隐藏层和64年隐藏在每个隐层神经元。隐藏的三层架构表4和5,3 - 512架构的最大平均预测精度(0.7254)和最小损失值(0.6664)的测试数据集。如表所示6,3 - 512体系结构明显优于3 - 64和3 - 128架构。然而,3 - 512体系结构并不明显优于3 - 256体系结构。的p值是0.4854。换句话说,3 - 512体系结构和3 - 256体系结构有相似的预测精度。在表11,我们注意到3 - 512体系结构有一个更长的运行时间(1806.50秒)比3 - 256体系结构(584.24秒)。换句话说,在三个隐层结构,3 - 256体系结构相比降低运行成本67.66%的3 - 512体系结构。因此,隐藏的三层架构,我们选择了3 - 256体系结构预测系统。
隐藏在四、五、六层体系结构,在表4和5我们注意,4 - 256 5 - 256,6 - 256架构的最大平均预测精度(分别为0.7711、0.7601和0.7493)和最小损失值(分别为0.6551、0.6579和0.6606)的测试数据集。在表中7和8,256个神经元的模型明显优于64和128个神经元。然而,与256个神经元网络模型没有明显比512个神经元的模型。的p值分别为0.1291和0.4207,分别。换句话说,在4和five-hidden-layer架构、模型与256年和512年向MLP神经细胞有类似的预测精度。然而,从表11,我们注意到4 - 256和5 - 256架构运行成本降低了69.49和72.23%,4 - 512和5 - 512架构,分别。四和五个隐层架构,因此,我们选择了4 - 256和5 - 256体系结构预测系统。在表9六个隐藏层的架构中,6 - 256体系结构明显优于其他架构。
在所有的架构,在表4和5,4 - 256架构的最大平均水平(的意思是)预测精度(0.7711,0.8468,和0.7714)和最小损失值(0.6551、0.6364和0.6550)的测试,培训,和验证数据集,分别。此外,4 - 256架构最大最好的(马克斯)和最低(最小值)在几乎所有的预测精度测试,培训和验证数据集。在表10,4 - 256体系结构明显优于3 - 256和6 - 256体系结构但不显著优于5 - 256体系结构。然而,p值(0.0710)接近0.05。换句话说,4 - 256体系结构明显优于5 - 256体系结构。此外,在桌子上11,4 - 256体系结构节省了18.07%的运行成本比5 - 256体系结构。因此,最后手术持续时间预测系统的架构是一个4 - 256体系结构。
在确定最佳手术时间预测系统的架构,我们通过辍学机制,进一步提高了预测精度数据浓缩,和较长的训练时间。实验结果在表中列出12- - - - - -15。表12和13现在辍学的影响机制,和表14和15现在的影响数据浓缩和较长的训练时间在4 - 256体系结构,分别。在表中12和13,我们注意到4 - 256架构没有辍学机制的最大平均预测精度(0.7711)和最小损失值(0.6551)的测试数据集。在辍学概率增加,平均预测精度降低。换句话说,辍学机制不能改善手术持续时间预测系统的预测精度。我们丰富了数据的10倍,在表14和15用10倍,4 - 256架构的数据有一个更好的平均预测精度(0.8788)(0.6284)和损失价值的测试数据集。我们还增加了培训时间1000年时代,发现平均预测精度提高至0.9485,平均损失值下降到0.6110的测试数据集。换句话说,数据浓缩和增加培训时间改善手术持续时间预测系统的预测精度。最后手术持续时间预测系统的架构是4 - 256架构没有退出机制,训练数据超过1000时代的10倍。
4.2。出现麻醉持续时间预测系统的实验结果
我们用试错法来确定最后出现麻醉持续时间预测系统的体系结构。实验结果发表在表16- - - - - -23。表16和17目前的模型的预测精度和损失值,分别。进一步探索中长期规划不同体系结构的性能,实验结果也进行了分析t测试,如表所示18- - - - - -22。表23列出了运行时间为每个建筑成本。我们确定最终的架构基于最大延时预测准确性和成本合理的运行时间。
隐藏的三层架构表16和17,3 - 512架构的最大平均预测精度(0.7391)和最小损失值(0.6632)的测试数据集。如表所示18,3 - 512体系结构明显优于3 - 64和3 - 128架构。然而,3 - 512体系结构并不明显优于3 - 256体系结构。的p值为0.4726。换句话说,3 - 512体系结构和3 - 256体系结构有相似的预测精度。在表23,我们注意到,3 - 512体系结构有一个更长的运行时间(1928.91秒)比3 - 256体系结构(613.93秒);因此,3 - 256架构的运行成本降低了68.17%。因此,我们决定3 - 256的结构是最好的预测系统体系结构。
在四和五个隐层架构,列在表中16和17,4 - 256和5 - 256体系结构显示的最大平均预测精度(分别为0.7836和0.7905)和最小损失值(分别为0.6520和0.6503)的测试数据集。在表19,4 - 256体系结构明显优于4 - 64和- 128体系结构,但不是明显好于4 - 512体系结构。然而,p值(0.0892)接近0.05。换句话说,4 - 256体系结构明显优于4 - 512体系结构。在表23,4 - 256体系结构节省了68.15%的运行成本与4 - 512体系结构。因此,在四个隐层的架构,我们决定最好的预测系统的架构是4 - 256体系结构。在表20.,5 - 256架构明显比其他五个隐层架构。
的6个隐藏层的架构,在表16和17,6 - 128架构的最大平均预测精度(0.7454)和最小损失值(0.6616)的测试数据集。如表所示21,6 - 128体系结构明显好于6 - 64和6 - 512架构。然而,6 - 128体系结构并不明显好于6 - 256体系结构。的p值为0.3675。因此,6 - 128和6 - 256体系结构有类似的预测精度。然而,如表所示23,6 - 256体系结构有一个更长的运行时间(1204.03秒)比6 - 128体系结构(988.21秒)。因此,6 - 128运行时的成本减少了17.93%,是最好的预测系统体系结构。
在所有体系结构,表中列出16和17,5 - 256架构的最大平均(的意思是)预测精度(0.7905,0.8443,和0.7924)和最小损失值(0.6503、0.6370和0.6499)的测试,培训,和验证数据集,分别。此外,5 - 256架构最大最好的(马克斯)和最低(最小值)预测精度在几乎所有的测试、培训和验证数据集。在表22、5 - 256体系结构明显优于3 - 256和6 - 128体系结构,但不是明显好于4 - 256体系结构。5 - 256体系结构和4 - 256体系结构有类似的预测精度。最后,在表23,4 - 256体系结构相比降低运行成本26.90%的5 - 256体系结构。因此,我们确定的最终结构出现麻醉持续时间预测系统是4 - 256体系结构。
之后我们决定最好的麻醉出现持续时间预测系统的体系结构,我们使用辍学机制进一步提高预测精度,数据浓缩,和较长的训练时间。实验结果在表中列出24- - - - - -27。表24和25现在辍学的影响机制,和表26和27现在的影响数据浓缩和较长的训练时间在4 - 256体系结构。在表中24和25,我们可以很容易地观察到4 - 256架构没有退出机制的最大平均预测精度(0.7836)和最小损失值(0.6520)的测试数据集。辍学概率的增加,平均预测精度降低。因此,辍学机制不能提高麻醉出现持续时间预测系统的预测精度。然后我们丰富了十倍的数据。在表中26和27,4 - 256架构与数据集有一个更好的平均预测精度(0.8956)(0.6242)和损失价值的测试数据集。我们的训练时间增加到1000时代,我们确定的平均预测精度提高至0.9544,平均损失值下降到0.6095的测试数据集。最后,出现麻醉持续时间预测系统的体系结构是一个4 - 256架构没有退出机制,训练有素的10倍的数据超过1000时代。
4.3。实验结果的最终组合预测系统
在本节中,我们讨论的结果最终系统通过结合手术与麻醉持续时间预测系统出现持续时间预测系统。就像前面提到的1,我们预计的时间使用手术出现麻醉持续时间。然而,我们不能获得手术前的实际时间。然后我们预测手术持续时间作为输入变量用于麻醉出现持续时间预测系统。就像前面提到的3.3在决赛中,我们使用4285个样本组合预测系统。比较最后组合预测系统的预测精度,我们4285个样本用于手术持续时间预测系统和麻醉出现持续时间预测系统。实验结果表中列出28。
如表所示28,出现麻醉持续时间预测系统的预测精度是0.9645。这意味着96.45%的麻醉出现持续时间预测精度可以通过输入实际手术持续时间。手术持续时间预测系统的预测精度是0.9671。它表明,在最后的组合预测系统,输入变量是96.71%正确的。最后,最后组合预测系统的预测精度是0.9645。它意味着95.52%的麻醉持续时间出现预测精度可以通过输入正确的手术持续时间预测的96.71%。这个值(95.52%)接近96.45%。之间的区别这两个预测系统只有0.93%,不到1%。因此,最后的组合预测系统的预测精度是可以接受的。
5。结论和未来的研究
在这项研究中,我们提出了一个智能的数据预处理算法,自动平衡数据和使用模型构建出现手术和麻醉持续时间预测系统。基于现有的病人数据,我们确定的主要属性,影响了预测手术出现麻醉持续时间和持续时间,然后相应地预处理数据。这两个系统被广泛测试,比较,分析,以确定实施。通过结合这两个预测系统,我们能够预测麻醉期间出现的预测手术时间。从实验结果有一些有趣的发现。
首先,提出了智能数据预处理算法有三个功能:数据平衡,增强数据,数据分区。特别是,它可以计算出适当的每个类别的倍数自动平衡数据,根据数据的数量在每个类别。使用该算法,我们不需要计算每个类别的倍数。因此,我们的工作负载平衡数据减少,尤其是大量的类别。没有发现类似的自动处理算法在有限的文献研究。因此,我们认为该算法可以扩展到数据预处理的数据平衡。其次,模型结构参数对预测精度有重要影响的模型,这是符合文学的研究成果(14]。在他们的研究中,他们把眼科手术为研究对象,发现模型的预测误差是影响隐层神经元的数目。在我们的研究中,我们进一步扩大模型架构的探索和发现,4 - 256体系结构是最适合预测系统。此外,我们发现,结构越小,精度越低。相反,越大的架构,运行时间越长。它还显示了探索模型结构参数的重要性和必要性。第三,过度训练并没有发生。因此,辍学机制无法改善两个预测系统的预测精度。然而,数据增加和更长的学习时间提高了预测系统。这些结果与人工神经网络的理论相一致。 In addition, in literature [16,17),数据质量的影响模型的预测精度进行了研究,并发现数据质量影响模型的预测精度。在这项研究中,我们发现数据的数量和质量是非常重要的模型的预测精度。最后,在执行操作之前,是非常重要的预测提前手术和麻醉持续时间出现的有效调度操作。因此,结合这两个预测系统后,我们使用了预测手术持续时间准确预测麻醉持续时间出现。基于预测的准确性,这两个的组合预测系统是可以接受的。
值得注意的是,在这项研究中使用的数据收集在中国从攀枝花大学的附属医院。因此,本研究的局限性之一是本研究的实验结果可能只适用于同一类型的医院在中国。除此之外,我们还有许多变量没有被认为是在这项研究中,如体检手术前的数据。事实上,我们试图收集术前体检数据和集成在这项研究中使用的数据。然而,我们发现体检数据中的缺失值太多了。我们假设的主要原因是病人接受不同的物理考试。因此,集成的数据包含大量缺失值。我们也相信相同类型的手术病人应该接受相同的物理检查。因此,我们建议在未来,根据器官受到手术,我们可以使用特定的体检项目预测手术出现麻醉持续时间和持续时间,获得更准确的预测系统。最后,我们旨在预测手术和麻醉持续时间出现的确切时间。 It can enable the scheduling of surgery to achieve resource use optimization, energy saving, carbon reduction, cost savings, and improve patient’s satisfaction. If we can accurately predict the actual surgery time, we will be able to optimize the surgery schedule. However, in practice, there are too many uncertain factors that will affect the prediction of surgery time, which makes it difficult to accurately predict the actual surgery time. Therefore, in our study, we converted the actual surgery time into a time interval (1 hour) to improve the accuracy of prediction. However, if the length of the time interval is too long, it will affect the optimization of surgical scheduling. Therefore, in the future, we suggest that the length of the time interval could be shortened, e.g., to 30 minutes, to improve the optimization of surgical scheduling. Besides, in the future, we also intend to use the predicted surgery and anesthesia emergence durations to further research operating room scheduling.
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
信息披露
本文是我们的会议论文的延伸,曾发表(23]。
的利益冲突
作者宣称没有利益冲突有关这篇文章的出版。
确认
作者要感谢Editage (http://www.editage.cn)英语编辑。这手稿是由攀枝花大学研究基金项目(2020 doco011)。