An Ensemble Learning Approach to Improving Prediction of Case Duration for Spine Surgery: Algorithm Development and Validation
Notice bibliographique
Résumé
BACKGROUND Estimating surgical case duration accurately is an important operating room efficiency metric. OBJECTIVE The primary objective of this 4-year, single academic center retrospective study was to utilize an ensemble learning approach to improve the accuracy of scheduled case duration for spine surgery. The primary outcome measure was case duration. METHODS We compared machine learning models using surgical and patient features to our institutional method, which used historic averages and surgeon adjustment as needed. We implemented multivariable linear regression, random forest, bagging, and XGBoost and calculated average R2, root mean squared error (RMSE), and mean absolute error (MAE) using stratified k-folds cross-validation. We then used the Shapley Additive exPlanations (SHAP) explainer model to determine feature importance. RESULTS 3,315 patients who underwent spine surgery were included. The institution’s current method of predicting case times had poor coefficient of determination with actual times (R2 = 0.19). On k-folds cross-validation, the linear regression model had an R2 of 0.34, RMSE of 165.3, and MAE of 128.4. Among all models, the XGBoost regressor performed the best with an R2 of 0.70, RMSE of 110.9, and MAE of 75.8. Based on SHAP analysis of the XGBoost regression, body mass index, spinal fusions, surgical procedure, and number of spine levels involved were the features with the most impact on the model. CONCLUSIONS Utilizing ensemble learning-based predictive models, specifically XGBoost regression, can improve accuracy of the estimation of spine surgery times. CLINICALTRIAL N/A
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».