[論文レビュー] Predicting Pediatric Surgical Durations

Neal Master, David Scheinker+1 more|arXiv (Cornell University)|May 15, 2016

Colorectal Cancer Screening and Detection参考文献 31被引用数 7

ひとこと要約

本論文では、小児外科手術の所要時間を予測するための木構造ベースの機械学習モデルを提案しており、自動および準自動アプローチを用いて、既存のアルゴリズムを上回り、外科医の予測をも凌駕する。主な貢献は、病院運営と整合した新しいパフォーマンス指標の導入であり、自動モデルが外科医レベルの正確さを達成し、準自動モデルが著しくそれを上回ることを示している。

ABSTRACT

Effective management of operating room resources relies on accurate predictions of surgical case durations. This prediction problem is known to be particularly difficult in pediatric hospitals due to the extreme variation in pediatric patient populations. We propose a novel metric for measuring accuracy of predictions which captures key issues relevant to hospital operations. With this metric in mind we propose several tree-based prediction models. Some are automated (they do not require input from surgeons) while others are semi-automated (they do require input from surgeons). We see that many of our automated methods generally outperform currently used algorithms and even achieve the same performance as surgeons. Our semi-automated methods can outperform surgeons by a significant margin. We gain insights into the predictive value of different features and suggest avenues of future work.

研究の動機と目的

• 年齢、体重、発達段階の点で極めて多様な小児患者を対象とした、手術所要時間の著しい変動に起因する課題に対処すること。
• 病院固有または手術固有の特徴に依存せず、小児病院全体に広く適用可能な予測モデルを設計すること。
• 正確な所要時間予測により、手術室のキャンセルを削減し、スケジューリングを最適化することで、手術室の効率を向上させること。
• 自動または準自動モデルが、人間の専門家予測の正確さに達するか、それを上回ることを評価すること。
• 病院スケジューリングにおける現実の運用上の懸念を反映する、新しいパフォーマンス指標を提案すること。

提案手法

• 最小許容誤差窓（m=15分）および最大許容誤差窓（M=60分）といった運用上の制約を組み込んだ新しいパフォーマンス指標を提案し、誤差に対する感度を制御するパrameter p を用いる。
• パフォーマンス指標に基づく非線形なデータ変換を適用し、モデルのキャリブレーションおよび予測正確性を向上させる。
• 複数の木構造ベースの回帰モデル（DTR：決定木回帰、RFR：ランダムフォレスト回帰、ABR：AdaBoost回帰）を構築し、外科医の予測を特徴量として組み込む準自動バージョン（DTR-SCH、RFR-SCH、ABR-SCH）を開発する。
• 年齢、体重、性別、ASAスコア、手術名、主術医といった一般的な特徴量セットを用い、すべての小児病院および手術に適用可能である。
• 交差検証と、さまざまなp値におけるパフォーマンス評価を用いて、異なる運用許容度下での結果の頑健性を評価する。
• 順列ベースの手法を用いて特徴量の重要度を分析し、予測正確性に最も影響を与える入力要因を同定する。

実験結果

リサーチクエスチョン

• RQ1 木構造ベースのモデルは、既存のアルゴリズムよりも小児外科手術所要時間をより高い正確さで予測できるか？
• RQ2 自動モデルは、外科医による予測の正確さにどの程度まで達するか、あるいはそれを上回れるか？
• RQ3 外科医の専門的知識を準自動モデルに組み込むことで、純粋にデータ駆動型のモデルと比較して、予測正確性にどのような影響を与えるか？
• RQ4 小児集団において、手術所要時間の予測に最も寄与する特徴量は何か？ また、モデルタイプごとにその特徴量の影響はどのように変化するか？
• RQ5 モデルのパフォーマンス結果は、パフォーマンス指標のパrameter（p、m、M）の選択にどの程度感度を示すか？

主な発見

• 提案された準自動モデル（RFR-SCHおよびABR-SCH）は、pのすべてのテスト値において外科医の予測を著しく上回る。
• RFR や ABR といった自動モデルは、外科医と同等の正確さを達成しており、高精度を実現するためには専門家の入力が必須ではないことを示している。
• DTR-SCH はベースラインの SCH（外科医予測）を上回るが、RFR-SCH や ABR-SCH に劣る結果を示しており、アンサンブル手法が性能向上に寄与していることが示唆される。
• パフォーマンス指標はパrameterの選択に感度を示すが、p の値が変化してもモデルの相対的順位は一貫しており、頑健性が確認された。
• 特徴量の重要度分析から、準自動モデルでは外科医の予測が最も影響力のある特徴量であり、次に手術名、主術医、体重が続く。一方、性別およびASAスコアは予測力が低いことが判明した。
• 本研究では、[10] の先行研究とは対照的に、木構造ベースのモデルが、成人用に特化した特徴量が効果を示さない状況下でも、小児外科手術所要時間の予測に効果的に機能することを示している。