Seleziona la regione
Invia

Ottimizzare l'utilizzo della sala operatoria con l'intelligenza artificiale (IA)

Argomenti
Sala operatoria
Soluzioni per tutto l'ospedale
Screen of Torin Optimization prediction of surgery times with artifical intelligence
Argomenti
Sala operatoria
Soluzioni per tutto l'ospedale
Iscriviti

Rimani informato! Iscriviti per ricevere gli ultimi articoli

Utilizzo dell'IA per la pianificazione chirurgica

Nella gestione odierna della sala operatoria, le risorse sono limitate e molte variabili complicano la pianificazione. Grazie alla tecnologia basata sull'intelligenza artificiale (IA), la Klinikum Stuttgart ha migliorato significativamente l'utilizzo della sala operatoria. La stabilità della pianificazione ha aumentato la soddisfazione dei dipendenti, in quanto gli orari di lavoro regolari sono stati maggiormente rispettati. [1]

Effetti dell'IA sulla pianificazione della sala operatoria presso la Klinikum Stuttgart

  • Aumento del 39% degli interventi chirurgici pianificati correttamente

  • Accuratezza superiore del 30% rispetto alla durata standard

  • Miglioramento del 6% dell'utilizzo della sala entro il tempo di intervento previsto

Le sfide della pianificazione della sala operatoria

La stima accurata del tempo di un intervento chirurgico è uno dei fattori più importanti per ottimizzare l'utilizzo della sala operatoria. La ricerca ha dimostrato che le stime soggettive delle procedure chirurgiche possono essere errate fino al 50%. [2]

Ecco perché la maggior parte degli ospedali con unità chirurgiche riscontra tempi di intervento stimati in modo errato. Questo porta a cambiamenti improvvisi dovuti a emergenze mediche o all'insufficienza di personale.

La deviazione media del tempo tra inizio incisione e fine sutura pianificato rispetto al tempo effettivo prima dell'introduzione dell'IA era di 19 minuti, poiché la Klinikum Stuttgart già disponeva di valori standard per i tempi di intervento derivati statisticamente da dati storici.

Il nostro obiettivo è quello di organizzare gli interventi chirurgici in modo tale da aprire la strada a un utilizzo ottimale della capacità e delle risorse, a orari di lavoro equilibrati per il nostro personale e al rispetto dei programmi per i nostri pazienti.

Dr. Med. Thomas Ramolla, MBA, Head of OR-Management at Klinikum Stuttgart in Germany

Migliore gestione della sala operatoria grazie all'apprendimento automatico

Nel 2012 è già stato dimostrato che la stima del tempo di intervento sulla base di dati documentati e contestuali può aumentare l'accuratezza fino al 36%. [3] Con l'obiettivo di aumentare la precisione di pianificazione degli interventi chirurgici, nel novembre 2021 la Klinikum Stuttgart ha iniziato a utilizzare l'intelligenza artificiale nella soluzione Torin per la gestione della sala operatoria.

L'algoritmo dell'IA [4] [5] tiene conto dei parametri preselezionati che influenzano i tempi dell'intervento, sulla base di dati oggettivi. L'IA analizza i tempi stimati ed effettivi degli interventi precedenti, contestualizzandoli con 27 diverse variabili. Rileva quindi le correlazioni tra le variabili e genera previsioni specifiche per paziente e per ciascun tipo di intervento con una precisione sempre maggiore man mano che diventano disponibili più dati.

Quanto tempo deve essere calcolato accuratamente per un intervento chirurgico su un paziente di età superiore a 65 anni o quanto tempo deve essere aggiunto o sottratto a ciascun chirurgo in base alle sue competenze individuali (gli scenari predittivi basati sulla durata effettiva dell'intervento rispetto alla pianificazione basata su algoritmi sono esemplificati nella figura sopra).

Accuratezza >30% rispetto alla durata di intervento standard

Tra novembre 2021 e maggio 2022 sono stati pianificati in totale 4.225 interventi chirurgici utilizzando l'IA. L'utilizzo è stato equilibrato tra i vari reparti, ma quelli di ginecologia, chirurgia generale, oftalmologia e urologia hanno utilizzato l'IA con maggiore frequenza.

In media, la previsione dell'IA è più accurata del 30% rispetto alla durata media prevista dell'intervento memorizzata nei dati master. I dati master sono stati determinati a partire dal 75% percentile dei tempi di intervento effettivi delle procedure analogiche eseguite fino ad oggi.

A differenza della pianificazione manuale (di solito eseguita in unità di tempo da 0,5 a 1 ora), l'IA pianifica al minuto e con una precisione notevole. La prima volta che la Klinikum l'ha testata, l'IA si è sbagliata di un solo minuto rispetto alla stima del chirurgo, che si discostava di 22 minuti.

 

Grafico della durata stimata rispetto alla durata effettiva. Con l'IA la durata stimata rispetto alla durata effettiva è più vicina alla linea ideale. A: Durata IA. B: Durata standard. 

Aumento del 39% degli interventi correttamente pianificati

L'uso dell'IA ha consentito una programmazione più accurata della sala operatoria (del 18,4%), con un aumento del 39% degli interventi chirurgici pianificati correttamente.

Gli interventi chirurgici con ore in eccesso hanno richiesto in media il 7,3% in meno di tempo e la precisione di pianificazione per quanto riguarda i tempi di inattività è stata migliorata notevolmente del 30,3%. In media, è stato possibile guadagnare 6,8 minuti per intervento, con un notevole aumento complessivo dell'utilizzo della sala operatoria e della soddisfazione dei dipendenti.

Siamo rimasti particolarmente sorpresi dal nostro primo intervento con la previsione dell'IA, una tromboendoarteriectomia carotidea in chirurgia vascolare. Il tempo operatorio previsto dal chirurgo era di 90 minuti, quello previsto dall'IA di 111 minuti e quello effettivo di 112 minuti.

Picture of one building of Klinikum Stuttgart

Miglioramento del 6% di utilizzo della sala operatoria

L'utilizzo dell'IA sulla base di dati documentati e contestuali consente una migliore stima dei tempi effettivi dell'intervento chirurgico. Il risparmio di tempo si accumula, portando a un migliore utilizzo della sala operatoria e a un maggior rispetti dei programmi.

La precisione superiore del 30% dell'IA rispetto alla durata standard è particolarmente notevole, poiché la Klinikum Stuttgart disponeva di ottimi dati master storici dai quali partire; è quindi ragionevole ipotizzare che gli ospedali con una pianificazione meno rigorosa possano ottenere miglioramenti ancora più significativi.

Torin monitor from an OR schuedule in a OR coordinator room

Apprendimento automatico con l'IA presso la Klinikum Stuttgart

Nello sviluppo del modello di apprendimento automatico, la Klinikum Stuttgart si è basata sui dati chirurgici di diversi anni (>50.000 interventi chirurgici). Sono stati inclusi solo interventi chirurgici eseguiti + di 100 volte per garantire una quantità sufficiente di dati. Ogni volta che i dati cambiavano, i tempi di intervento venivano aggiornati individualmente in tempo reale, compresi gli interventi programmati ancora da eseguire. I calcoli effettivi hanno richiesto solo poche frazioni di secondo, anche con centinaia di variabili, in quanto il modello di apprendimento automatico è stato applicato invece che riaddestrato.

In seguito all'introduzione dell'IA, la Klinikum Stuttgart ha ottenuto stime più precise dei tempi di intervento e di preparazione all'anestesia personalizzate per ciascun paziente, mentre tutte le variabili di influenza sono state rappresentate in modo trasparente.

Articoli correlati

  1. 1. Place of first publication: Ramolla/Jürgensen, Optimierte Saalauslastung.
    OP-Management up2date 2023; 03(01): 77-88 DOI: 10.1055/a-1992-9076
    © 2023 Thieme
    Ramolla/Jürgensen, Optimized OR utilisation.
    OR-Management up2date 2023; 03(01): 77-88 DOI: 10.1055/a-1992-9076
    © 2023 Thieme

  2. 2. Zaubitzer L, Affolter A, Büttner S et al. Zeitmanagement im OP – eine Querschnittstudie zur Bewertung der subjektiven und objektiven Dauer chirurgischer Prozeduren im HNO-Bereich. HNO 2022; 70: 436–444

  3. 3. Gomes C, Almada-Lobo B, Borges J et al. Integrating Data Mining and Optimization Techniques on Surgery Schedu- ling. In: Zhou S, Zhang S, Karypis G (eds.) Advanced data mining and applications ADMA 2012. Lecture Notes in Computer Science. Berlin, Heidelberg: Springer; 2012: doi:10.1007/978-3-642-35527-1_49

  4. 4. Chen T, Guestrin C. Association for Computing Machinery.
    XGBoost: A scalable tree boosting system. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge
    Discovery and Data Mining (KDD '16). Introduction to Boosted Trees — xgboost 1.7.1 documentation; New York,
    NY, USA: 2016: doi:10.1145/2939672.2939785

  5. 5. Shwartz-Ziv R, Armon A. Tabular data: Deep learning is not all you need, 8th ICMLWorkshop on Automated Machine Learning. Zugriff am 08. Dezember 2022: https://openreview.
    net/attachment?id=vdgtepS1pV&name=original_version 2021)