Operating room time prediction: An application of latent class analysis and machine learning

• Eduard Alexander Gañán-Cárdenas ^[1] ; Jorge Isaac Pemberthy-Ruiz ^[1] ; Juan Carlos Rivera-Agudelo ^[2] ; Maria Clara Mendoza- Arango ^[3]
  1. [1] Instituto Tecnológico Metropolitano

     Instituto Tecnológico Metropolitano

     Colombia

     
  2. [2] Universidad EAFIT

     Universidad EAFIT

     Colombia

     
  3. [3] Hospital San Vicente Fundación

  Mostrar afiliaciones +
• Localización: Ingeniería y universidad, ISSN 0123-2126, Vol. 26, Nº 0, 2022
• Idioma: inglés
• Títulos paralelos:
  • Predicción del tiempo de quirófano: Una aplicación de latent class analysis y machine learning
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Objetivo: El objetivo de este trabajo es construir un modelo de predicción del tiempo de quirófano (ORT) para ser usado en un sistema de programación inteligente. Esta predicción es un ejercicio complejo debido a su alta variabilidad y a las múltiples variables influyentes.

    Materiales y métodos: Evaluamos una nueva estrategia utilizando Latent Class Analysis (LCA) y métodos de agrupación para identificar subgrupos de procedimientos y cirugías que luego se combinan con modelos de predicción de ensamblaje para mejorar las estimaciones de ORT. Se evalúan tres modelos basados en árboles, Classification and Regression Trees (CART), Conditional Random Forest (CFOREST) y Gradient Boosting Machine (GBM), bajo dos escenarios: i) conjunto de datos básicos de predictores y ii) conjunto de datos completo con procedimientos binarios. Para evaluar el modelo, utilizamos un conjunto de datos de prueba y un conjunto de datos de entrenamiento para ajustar los parámetros.

    Resultados y discusión: Los mejores resultados se obtienen con el modelo GBM utilizando el conjunto de datos completo y las variables de agrupación, con una precisión operacional del 57,3% en el conjunto de pruebas. Conclusión:

    Los resultados indican que el modelo GBM supera a los otros modelos y mejora con la inclusión de los procedimientos como variables binarias y la adición de las variables de agrupación obtenidas con LCA y la agrupación jerárquica, que identifican grupos homogéneos de procedimientos y cirugías

  • English

    Objective: The objective of this work is to build a prediction model for Operating Room Time (ORT) to be used in an intelligent scheduling system. This prediction is a complex exercise due to its high variability and multiple influential variables. Materials and methods: We assessed a new strategy using Latent Class Analysis (LCA) and clustering methods to identify subgroups of procedures and surgeries that are combined with prediction models to improve ORT estimates. Three tree-based models are assessed, Classification and Regression Trees (CART), Conditional Random Forest (CFOREST) and Gradient Boosting Machine (GBM), under two scenarios: (i) basic dataset of predictors and (ii) complete dataset with binary procedures. To evaluate the model, we use a test dataset and a training dataset to tune parameters. Results and discussion: The best results are obtained with GBM model using the complete dataset and the grouping variables, with an operational accuracy of 57.3% in the test set. Conclusion: The results indicate the GBM model outperforms other models and it improves with the inclusion of the procedures as binary variables and the addition of the grouping variables obtained with LCA and hierarchical clustering that perform the identification of homogeneous groups of procedures and surgeries