Gebruik van AI voor operatieplanning
In het hedendaagse OK-management zijn de middelen beperkt en veel variabelen bemoeilijken de planning. Met behulp van kunstmatige intelligentie (AI-technologie) heeft Klinikum Stuttgart het OK-gebruik aanzienlijk verbeterd. De stabiliteit van het rooster verhoogde de tevredenheid van de medewerkers, omdat de reguliere werktijden beter werden nageleefd. [1]
Effecten van AI in OK-planning in Klinikum Stuttgart
-
39% toename van correct geplande operaties
-
30% hogere nauwkeurigheid vergeleken met standaardduur
-
6% verbeterde ruimtebenutting binnen de kernbedrijfstijd
De uitdagingen van OK-planning
Een nauwkeurige schatting van de operatietijd is een van de belangrijkste factoren voor het optimaliseren van het OK-gebruik. Onderzoek heeft aangetoond dat subjectieve schattingen van chirurgische ingrepen tot wel 50% kunnen afwijken.[2]
Dit is de reden waarom de meeste ziekenhuizen met operatiekamers te maken krijgen met onjuist geschatte operatietijden. Dit leidt tot veranderingen op korte termijn als gevolg van medische noodsituaties of verminderde personele middelen.
De gemiddelde afwijking van de geplande incisie-tot-hechttijd ten opzichte van de werkelijke tijd vóór de introductie van AI bedroeg 19 minuten – vanwege het feit dat Klinikum Stuttgart al statistisch standaardwaarden voor de operatietijd had afgeleid uit historische gegevens.
Het is ons doel om chirurgische ingrepen zo te organiseren dat we de weg vrijmaken voor een optimale benutting van middelen en capaciteit, goed gereguleerde werktijden voor ons personeel en het naleven van schema's voor onze patiënten.
Beter OK-beheer door machine learning
In 2012 werd al aangetoond dat het schatten van de operatietijd op basis van gedocumenteerde gegevens en contextgegevens de nauwkeurigheid tot wel 36% kan verhogen. [3] Met het doel de planningsnauwkeurigheid van chirurgische procedures te vergroten, is Klinikum Stuttgart in november 2021 begonnen met het gebruik van kunstmatige intelligentie in de Torin OK Management-oplossing.
Het AI-algoritme [4] [5] houdt rekening met vooraf geselecteerde parameters die de operatietijden beïnvloeden, op basis van objectieve gegevens. AI analyseert de geschatte en werkelijke tijden van eerdere operaties en plaatst deze in context met 27 verschillende variabelen. Vervolgens signaleert het de afhankelijkheden tussen variabelen en genereert het patiëntspecifieke voorspellingen voor elk interventietype, met toenemende nauwkeurigheid in de loop van de tijd naarmate er meer data beschikbaar komen.
Hoeveel tijd moet er precies worden berekend voor een operatie van een patiënt ouder dan 65 jaar of hoeveel tijd moet voor elke chirurg worden opgeteld of afgetrokken op basis van zijn of haar individuele vaardigheden? (Voorspellingsscenario's gebaseerd op de werkelijke operatietijd in tegenstelling tot op algoritmen gebaseerde planning zijn weergegeven in de bovenstaande afbeelding.)
30% nauwkeuriger dan de standaard operatieduur
Tussen november 2021 en mei 2022 waren in totaal 4.225 operaties gepland met behulp van AI. Het gebruik was evenwichtig verdeeld over de afdelingen, maar gynaecologie, algemene chirurgie, oogheelkunde en urologie maakten het meest gebruik van AI.
Gemiddeld is de AI-voorspelling 30% nauwkeuriger dan de gemiddelde geschatte operatieduur die in de masterdata is opgeslagen. De mastergegevens werden bepaald op basis van het 75%-percentiel van de daadwerkelijke operatietijden van tot nu toe uitgevoerde analoge procedures.
In tegenstelling tot handmatige planning (wat meestal wordt gedaan in tijdseenheden van 0,5-1 uur), plant AI tot op de minuut, en met opmerkelijke nauwkeurigheid. De allereerste keer dat Klinikum Stuttgart het testte, zat de AI er één minuut naast – vergeleken met de schatting van de chirurg, die er 22 minuten naast zat.
Grafiek over de geschatte duur versus de werkelijke duur. De geschatte duur vergeleken met de werkelijke duur ligt bij AI dichter bij de ideale lijn. A: AI-duur. B: Standaardduur.
39% toename correct geplande operaties
Het gebruik van AI maakte een nauwkeurigere OK-planning mogelijk (met 18,4%), wat resulteerde in een toename van 39% in correct geplande operaties.
Operaties met overuren namen gemiddeld 7,3% minder tijd in beslag en de planningsnauwkeurigheid met betrekking tot onderwerk werd met maar liefst 30,3% verbeterd. Gemiddeld kon per operatie 6,8 minuten winst worden geboekt, wat neerkomt op een aanzienlijke algehele toename van het OK-gebruik en de tevredenheid van de medewerkers.
We waren vooral verrast bij onze allereerste operatie met AI-voorspelling, een carotid TEA bij vaatchirurgie. De chirurg plande het op 90 minuten, AI plande het op 111 minuten en uiteindelijk duurde het 112 minuten.
OK-gebruik verbeterd met 6%
Het gebruik van AI op basis van gedocumenteerde en contextuele gegevens maakt een betere inschatting van de werkelijke operatietijden mogelijk. De tijdsbesparingen stapelen zich op, wat een betere OK-bezetting en beter bijgehouden planningen oplevert.
De 30% hogere nauwkeurigheid van de AI vergeleken met de standaardduur is vooral opmerkelijk omdat Klinikum Stuttgart om te beginnen over zeer goede historische masterdata beschikte. Een redelijke veronderstelling zou zijn dat ziekenhuizen met een minder strenge planning nog grotere verbeteringen zullen zien.
AI-machine learning in Klinikum Stuttgart
Bij de ontwikkeling van het machine learning-model vertrouwde Klinikum Stuttgart op chirurgische gegevens van meerdere jaren (>50.000 chirurgische ingrepen). Alleen operaties die meer dan 100 keer zijn uitgevoerd, zijn opgenomen om voldoende data te garanderen. Telkens wanneer invoergegevens veranderden, werden de operatietijden individueel en in realtime bijgewerkt – inclusief geplande operaties die nog moesten worden uitgevoerd. De daadwerkelijke berekeningen duurden slechts een fractie van een seconde, zelfs met honderden variabelen, omdat het machine learning-model werd toegepast in plaats van opnieuw getraind.
Als resultaat van de introductie van AI kreeg Klinikum Stuttgart nauwkeurigere schattingen van de operatietijd en werden de insteltijden van de anesthesie voor elke patiënt geïndividualiseerd, terwijl alle beïnvloedende variabelen transparant werden weergegeven.