רקע ורציונל: חדרי הניתוח הם משאב ייחודי במרכזים הרפואיים והם מקור עיקרי להענקת שירות רפואי ולקבלת תמורה. העומס על חדרי הניתוח גדול ונעשים מאמצים שוטפים ליעל את העבודה. תכנון מפורט של יום עבודה בחדרי הניתוח ושיבוץ הניתוחים, ובכלל זה שיבוץ הצוות הרפואי והסיעודי, מתבצע מידי יום לקראת יום המחרת על ידי אחראית השיבוץ. למרות התכנון, רק בשליש מהתכניות הביצוע תואם לתכנון. כשליש מהניתוחים נמשכים פחות מהמתוכנן ומותירים את חדרי הניתוח לא מנוצלים וכשליש מסתיימים בחריגה מהזמן המתוכנן, מה שגורם לשחיקה מואצת של הצוות, ולעלויות הנדרשות לתשלום עבור שעות נוספות.
משימת התכנון והשיבוץ מתבססת על מומחיות, ניסיון ושיקול דעתה של בעלת התפקיד ובדרך כלל אינה לוקחת בחשבון נתונים ייחודיים של המטופל.
במרכזים הרפואיים קיים מידע דיגיטלי רב על ניתוחי עבר - גיל, מין, תוצאות בדיקות מעבדה אחרונות, מדדים חיוניים, רגישויות, גורמי סיכון, תרופות שנלקחו, אבחנות נוכחיות ואבחנות עבר, סוג הניתוח הצפוי (פרוצדורות), ניסיון המנתח בשעות ניתוח ומספר ניתוחים, סוג ההרדמה הצפוי, מספר מנתחים והיחידה המנתחת.
השינויים שהתרחשו במרכזים הרפואיים בתקופת הקורונה וההחמרה במצוקת כ"א חיזקו אף יותר את הצורך בשיפור תהליך השיבוץ, כך שיחזה את משך הניתוח הצפוי בהסתמך על מאפייני הניתוח הספציפי ובהתבסס על עשרות אלפי ניתוחי עבר.
מטרות: בניית מודל לזיהוי קורלציה בין התכנון לבין הביצוע יאפשר לשפר את ניצולת חדרי הניתוח ולחסוך בעלויות ובשחיקה בלתי מתוכננות של כ"א.
אילוצים מסקנות ותובנות להכנת התכנית
המודל עשה שימוש בנתוני ניתוחים בין השנים 2010 - 2020 של שני מרכזים רפואיים: המרכז הרפואי הלל יפה (121,539 ניתוחים), והמרכז הרפואי שמיר (174,450 ניתוחים). נמשכו נתונים ממערכת נמר שהיא המערכת הקלינית של בתי החולים המבוססת SAP. הנתונים שנמשכו כללו מידע אודות הניתוחים, כגון: סוג הניתוח, סוג ההרדמה, מספר המנתחים, מספר האחיות המחלקה המנתחת וזהות המנתח הראשי. בנוסף נמשכו גם נתונים קליניים של המטופל הכוללים תוצאות בדיקות מעבדה, אבחנות עבר, תרופות, גורמי סיכון, וכן מידע דמוגרפי כגון מין וגיל.
מסיבות אבטחת מידע, לא ניתן היה לרכז את הנתונים משני המרכזים לדאטה סט אחד.
תכני יישום ואבני דרך
נבנה מודל למידת מכונה מסוג XGBoost, אשר הופעל על נתוני הניתוחים. זהו מודל המבוסס על עצי החלטה.
בוצעה חלוקה של הנתונים לנתונים שישמשו לאימון המודל ולנתונים לבחינת ביצועים, כאשר 80% מהנתונים שימשו לאימון המודל ו-20% לבחינת הביצועים.
בניית המודל לקחה בחשבון היבטי רגולציה ואבטחת מידע ושילבה מומחים מתחומים שונים: חוקרים, אנשי מערכות מידע, מומחים לביולוגיה חישובית ומדעני נתונים.
הפרויקט נמצא בשלבים סופיים של המחקר הרטרוספקטיבי; איסוף התוצאות לכדי מסקנות.
התוצאות הראשוניות מראות כי יש באפשרות המודל לחזות בקירוב את משך זמן הניתוח. החיזוי הינו טוב יותר ממודל נאיבי המייצג את הפרקטיקה הנוכחית הנהוגה בבתי החולים. הראינו כי ל 33-41% מהניתוחים ניתן חיזוי שקטן מעשר דקות מהזמן שלקח בפועל (ראו טבלה).
בשלב הבא תיבדק התכנות להטמעת המודל במערכת השיבוצים של בתי החולים.
תרומה והשלכות ליישום:
מעבר לתרומה המידית במתן כלי לתכנון יעיל יותר של תכנית הניתוחים, הפרויקט מהווה בסיס לפרויקטים עתידיים לשילוב אנליטיקה מתקדמת לייעול תהליכים אדמיניסטרטיביים וקליניים נוספים.
התשתיות שהוקמו ובעיקר מודל הנתונים המתוקנן בתקן מחקר בינלאומי OHDSI יאפשרו מחקרים רב מרכזיים, ללא חשיפת מידע פרטני. התשתית תהווה כבסיס איכותי למחקרים ושיתופי פעולה עתידיים לאומיים ובין-לאומיים.