論文の概要: Generalisable prediction model of surgical case duration: multicentre development and temporal validation

• arxiv url: http://arxiv.org/abs/2511.08994v1
• Date: Thu, 13 Nov 2025 01:24:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-13 22:34:54.347868
• Title: Generalisable prediction model of surgical case duration: multicentre development and temporal validation
• Title（参考訳）: 手術症例期間の一般予測モデル:多段階的発達と時間的検証
• Authors: Daijiro Kabata, Mari Ito, Tokito Koga, Kazuma Yunoki,
• Abstract要約: 既存のモデルは多くの場合、部位または外科医固有の入力に依存し、外部の検証を受けることは滅多にない。 本研究は,本邦の2つの総合病院で日常的に収集されたデータを用いた多施設共同調査を行った。 広く利用可能な事前操作変数のみを用いた階層型機械学習モデルは、時間的外的検証において正確で校正された予測を達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Background: Accurate prediction of surgical case duration underpins operating room (OR) scheduling, yet existing models often depend on site- or surgeon-specific inputs and rarely undergo external validation, limiting generalisability. Methods: We undertook a retrospective multicentre study using routinely collected perioperative data from two general hospitals in Japan (development: 1 January 2021-31 December 2023; temporal test: 1 January-31 December 2024). Elective weekday procedures with American Society of Anesthesiologists (ASA) Physical Status 1-4 were included. Pre-specified preoperative predictors comprised surgical context (year, month, weekday, scheduled duration, general anaesthesia indicator, body position) and patient factors (sex, age, body mass index, allergy, infection, comorbidity, ASA). Missing data were addressed by multiple imputation by chained equations. Four learners (elastic-net, generalised additive models, random forest, gradient-boosted trees) were tuned within internal-external cross-validation (IECV; leave-one-cluster-out by centre-year) and combined by stacked generalisation to predict log-transformed duration. Results: We analysed 63,206 procedures (development 45,647; temporal test 17,559). Cluster-specific and pooled errors and calibrations from IECV are provided with consistent performance across centres and years. In the 2024 temporal test cohort, calibration was good (intercept 0.423, 95%CI 0.372 to 0.474; slope 0.921, 95%CI 0.911 to 0.932). Conclusions: A stacked machine-learning model using only widely available preoperative variables achieved accurate, well-calibrated predictions in temporal external validation, supporting transportability across sites and over time. Such general-purpose tools may improve OR scheduling without relying on idiosyncratic inputs.
• Abstract（参考訳）: 背景: 手術症例の期間の正確な予測は手術室(OR)のスケジューリングに影響を及ぼすが、既存のモデルは多くの場合、部位または外科医固有の入力に依存し、外部の検証を受けることは滅多になく、一般性を制限する。 方法: わが国の2つの総合病院で日常的に収集した周術期データ(2021年1月1日-31日, 2023年12月1日, 時間検査2024年1月1日-31日)を用いて, 回顧調査を行った。 アメリカ麻酔科学会(ASA)物理状態1-4の選抜された平日処置が含まれていた。 術前の術前予測因子は外科的文脈(年,月,平日,予定期間,全身麻酔指標,体位)と患者因子(性別,年齢,体重指数,アレルギー,感染,合併症,ASA)から構成されていた。 欠落したデータは連鎖方程式による多重計算によって対処された。 4つの学習者 (弾性ネット, 一般化付加モデル, ランダム森林, 傾斜木) を内外的クロスバリデーション (IECV, 中央1クラスターアウト) に調整し, 累積一般化と組み合わせてログ変換期間を予測した。 結果: 術式は63,206例 (開発45,647例, 時間検査17,559例) であった。 IECVのクラスタ固有のエラーとキャリブレーションは、センタと数年にわたって一貫したパフォーマンスを提供する。 2024年の時間的試験コホートでは、キャリブレーションは良好であった(0.423、95%CI 0.372、0.474、斜面0.921、95%CI 0.911、0.932)。 結論: 広く利用可能な事前操作変数のみを用いた階層型機械学習モデルは、時間的外部検証において正確で校正された予測を達成し、サイト間および時間とともに輸送性をサポートする。 このような汎用ツールは、慣用的な入力に頼ることなくORスケジューリングを改善することができる。

関連論文リスト

• SurgeryLSTM: A Time-Aware Neural Model for Accurate and Explainable Length of Stay Prediction After Spine Surgery [44.119171920037196]
  選択的脊椎手術における滞在時間(LOS)予測のための機械学習モデルの開発と評価を行った。 我々は,従来のMLモデルと,マスク付き双方向長短期記憶(BiLSTM)であるオペレーショナルLSTMを比較した。 決定係数(R2)を用いて性能を評価し,説明可能なAIを用いて鍵予測器を同定した。
  論文  参考訳（メタデータ） (2025-07-15T01:18:28Z)
• A SHAP-based explainable multi-level stacking ensemble learning method for predicting the length of stay in acute stroke [3.2906073576204955]
  既存の機械学習モデルは、最適以下の予測性能、限定的な一般化可能性を示し、システムレベルの要因を見落としている。 我々は,虚血性脳梗塞と出血性脳梗塞に対する解釈可能な多段階重ねアンサンブルモデルを開発した。 説明可能なアンサンブルモデルは,虚血性脳卒中におけるLOSの延長を効果的に予測する。 出血性脳卒中にはさらなる検証が必要である。
  論文  参考訳（メタデータ） (2025-05-30T01:08:26Z)
• Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
  本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。 評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
  論文  参考訳（メタデータ） (2025-05-23T14:06:42Z)
• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• A multi-cohort study on prediction of acute brain dysfunction states using selective state space models [12.0129301272171]
  急性脳機能障害(ABD)は、その流行と患者の予後に深刻な影響があるため、重要な課題である。 本研究はElectronic Health Records(EHR)データを利用してこれらの問題を解決する。 既存のモデルでは1つの状態(例えば、デリリウムまたはコマ)だけを予測するには少なくとも24時間の観測データが必要である。 ICU滞在中12時間間隔でデリリウム、コマ、死亡、変動を動的に予測することで、既存の文献におけるこれらのギャップを埋める。
  論文  参考訳（メタデータ） (2024-03-11T22:58:11Z)
• Generalizable and Robust Deep Learning Algorithm for Atrial Fibrillation Diagnosis Across Ethnicities, Ages and Sexes [0.0]
  本研究では,AFイベント検出のためのディープラーニング(DL)モデルの一般化性能を初めて開発し,評価した。 ArNet2は、51,386時間連続心電図(ECG)を計上した2,147人の大規模な振り返りデータセットに基づいて開発された。 イスラエルのハイファにあるランバム病院ホルタークリニックから1,730回連続したホルター記録の振り返りデータセットで検証された。
  論文  参考訳（メタデータ） (2022-07-20T05:49:16Z)
• Identifying and mitigating bias in algorithms used to manage patients in a pandemic [4.756860520861679]
  現実のデータセットを使用して、新型コロナウイルスの死亡率、人工呼吸器の状態、入院状態を予測するために、ロジスティック回帰モデルが作成された。 モデルではバイアス試験の回数が57%減少した。 キャリブレーション後, 予測モデルの平均感度は0.527から0.955に増加した。
  論文  参考訳（メタデータ） (2021-10-30T21:10:56Z)
• On the explainability of hospitalization prediction on a large COVID-19 patient dataset [45.82374977939355]
  我々は、新型コロナウイルス陽性の米国の患者の大規模な(110ドル以上)コホートでの入院を予測するために、さまざまなAIモデルを開発した。 高いデータアンバランスにもかかわらず、モデルは平均精度0.96-0.98 (0.75-0.85)、リコール0.96-0.98 (0.74-0.85)、F_score097-0.98 (0.79-0.83)に達する。
  論文  参考訳（メタデータ） (2021-10-28T10:23:38Z)
• Joint Prediction and Time Estimation of COVID-19 Developing Severe Symptoms using Chest CT Scan [49.209225484926634]
  術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。 提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。 提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
  論文  参考訳（メタデータ） (2020-05-07T12:16:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。