[论文解读] Predicting Surgery Duration with Neural Heteroscedastic Regression

Nathan Ng, Rodney A. Gabriel+3 more|arXiv (Cornell University)|Feb 17, 2017

Healthcare Operations and Scheduling Optimization参考文献 2被引用 16

一句话总结

本文提出一种神经异方差回归模型，用于预测手术时长及其不确定性，利用深度学习联合估计均值与方差。与当前实践相比，该方法将过度预定时间减少了20%，且异方差模型在对数似然和决策理论调度效率方面均优于同方差基线模型，尤其在非对称成本结构下表现更优。

ABSTRACT

Scheduling surgeries is a challenging task due to the fundamental uncertainty of the clinical environment, as well as the risks and costs associated with under- and over-booking. We investigate neural regression algorithms to estimate the parameters of surgery case durations, focusing on the issue of heteroscedasticity. We seek to simultaneously estimate the duration of each surgery, as well as a surgery-specific notion of our uncertainty about its duration. Estimating this uncertainty can lead to more nuanced and effective scheduling strategies, as we are able to schedule surgeries more efficiently while allowing an informed and case-specific margin of error. Using surgery records %from the UC San Diego Health System, from a large United States health system we demonstrate potential improvements on the order of 20% (in terms of minutes overbooked) compared to current scheduling techniques. Moreover, we demonstrate that surgery durations are indeed heteroscedastic. We show that models that estimate case-specific uncertainty better fit the data (log likelihood). Additionally, we show that the heteroscedastic predictions can more optimally trade off between over and under-booking minutes, especially when idle minutes and scheduling collisions confer disparate costs.

研究动机与目标

• 通过提供病例特异性不确定性估计，改进手术室调度。
• 解决标准神经回归在手术时长预测中同方差假设的局限性。
• 对手术时长数据中的异方差性进行建模，其中变异随手术时长增加而增大。
• 评估不确定性感知预测是否能在过度预定与预定不足成本不对称的情况下，带来更优的调度决策。
• 展示预测不确定性在真实临床调度场景中的实际应用价值。

提出的方法

• 使用共享编码器的深度神经网络，同时预测手术时长的均值与标准差，实现异方差回归。
• 采用高斯分布、拉普拉斯分布和伽马分布对预测分布进行建模，其中选择伽马分布因其具有正支撑且右偏长尾，更适合时长数据。
• 采用软正切激活函数，确保标准差预测值非负。
• 以预测分布的负对数似然作为训练目标，实现均值与方差的联合估计。
• 通过百分位数调整实现过度预定与预定不足之间的权衡，异方差模型可针对每例病例选择不同的百分位数。
• 进行消融分析以评估特征重要性，包括手术编码、主刀医生、一天中的时间以及患者特征。

实验结果

研究问题

• RQ1 与标准同方差模型相比，神经异方差回归能否提升手术时长预测的准确性和可靠性？
• RQ2 手术时长数据是否确实具有异方差性，即长时手术的方差更大？
• RQ3 当过度预定与预定不足的成本不同时，病例特异性不确定性估计能否带来更优的调度决策？
• RQ4 在建模手术时长与不确定性方面，不同分布假设（高斯、拉普拉斯、伽马）的表现如何？
• RQ5 哪些临床特征对预测手术时长与不确定性最具预测力？

主要发现

• 当与神经网络结合时，伽马分布对手术时长数据的拟合效果最佳，在对数似然方面优于高斯分布与拉普拉斯分布。
• 异方差模型在对数似然方面显著优于同方差基线模型，证实手术时长本质上具有异方差性。
• 表现最佳的伽马MLP在均方误差方面优于标准最小二乘高斯MLP，尽管其优化目标不同。
• 与当前调度实践相比，异方差模型将过度预定时间减少了约20%，尤其在过度预定与预定不足成本不对称时效果更显著。
• 基于异方差模型百分位数预测的调度策略优于对预测值进行恒定缩放的方法，尤其在成本敏感的决策规则下表现更优。
• 手术编码是最重要的预测特征，其次是主刀医生、手术地点和一天中的时间，而共病情况在消融分析中整体影响有限。