수술 기간 예측 방법

Predictive methods for surgery duration

수술 기간 예측(SD)은 수술 극장의 이용률이 최적화되도록 계획/전기적 수술을 예약하는 데 사용된다(정책 제약에 따라 최대화).제약조건의 예로는 수술실(OR) 또는 회복실 공간으로 인해 연기된 수술의 비율에 대한 사전 지정된 허용오차를 초과하지 않는 것이 있다.SD 예측과 수술 스케줄 간의 긴밀한 연관성은 스케줄링 방법과 관련된 과학적인 연구가 SD 예측 방법과 그 반대의 경우도 대부분 다루는 이유다.수술 기간은 변동성이 큰 것으로 알려져 있다.따라서 SD 예측 방법은 한편으로 (나중에 자세히 설명한 것처럼 층화와 공변량을 통해) 가변성을 감소시키려 하고, 다른 한편에서는 SD 예측을 생성하기 위해 사용 가능한 최선의 방법을 채택한다.예측이 정확할수록 수술 스케줄이 개선된다(필요한 수술실 활용 최적화 측면).

SD 예측 방법은 이상적인 예측 SD 통계분포(분포 지정 및 매개변수 추정)를 제공할 것이다.SD 배포가 완전히 지정되면, 예를 들어, 가장 가능성이 높은 기간(모드) 또는 SD가 특정 임계값을 초과하지 않을 확률과 같이 원하는 다양한 유형의 정보를 추출할 수 있다.덜 야심적인 상황에서 예측 방법은 최소한 위치 및 척도 모수(평균, 중위수, 모드, 표준 편차 또는 변동 계수, CV)와 같은 분포의 기본 특성 중 일부를 예측할 수 있다.분포의 특정 원하는 백분위수 또한 추정과 예측의 목적이 될 수 있다.전문가들은 분포의 경험적 히스토그램(역사적 컴퓨터 기록에 기초함), 데이터 마이닝 및 지식 발견 기법 등이 SD 이론적 분포를 완전하게 명시하는 이상적인 목표를 대체하는 경우가 많다고 추정한다.

(앞에서 언급된 바와 같이) 예측 이전의 SD 가변성 감소는 일반적으로 SD 예측 방법의 일부와 구획으로 간주된다.아마도 SD는 무작위 변동에 더하여 체계적인 요소도 가지고 있을 것이다. 즉, SD 분포는 다양한 관련 요인(의료 전문성, 환자 상태 또는 연령, 전문적 경험과 의료진의 규모, 외과의사가 교대조에서 수행해야 하는 수술 횟수, 투여되는 마취제의 유형 등)에 의해 영향을 받을 수 있다.층화 또는 공변량을 통한 이러한 요인에 대한 회계처리는 SD의 가변성을 감소시키고 예측 방법의 정확성을 향상시킬 것이다.예측 모델에 (외과의사와 마찬가지로) 전문가 추정치를 포함시키는 것도 데이터 기반 SD 예측의 불확실성을 감소시키는 데 기여할 수 있다.흔히 통계적으로 유의한 공변량(예: 선형 회귀 및 지식 발견과 같은 단순한 기법을 통해 요인, 예측 변수 또는 설명 변수와도 관련이 있음)이 먼저 식별되고 나중에 인공지능(AI)과 머신러닝(Machine Learning)과 같은 고급 빅데이터 기법만 채택되어 fi를 생산한다.순전한 예측

수술 일정을 다루는 연구에 대한 문헌 리뷰는 관련 SD 예측 방법을 주로 다룬다.여기 몇 가지 예가 있다(가장 최근의 예는 다음과 같다.[1][2][3][4]

이 항목의 나머지 부분은 SD 예측 생성 프로세스와 관련된 다양한 관점을 검토한다. SD 통계 분포, SD 가변성 감소 방법(변형 및 공변량), 예측 모델 및 방법, 작업 프로세스로서의 수술.후자는 작업 프로세스(반복, 반반복 또는 기억력 없음)로서의 수술 특성화와 SD 분포 형태에 미치는 영향을 다룬다.

SD 통계 분포

이론적 모델

가장 간단한 SD 예측 방법은 현존하는 통계 분포의 집합을 지정하는 것으로 구성되며, 이용 가능한 데이터와 분포 적합 기준에 기초하여 가장 적합한 분포를 선택한다.SD 배포에 가장 적합한 모델을 선택하려는 비교연구가 많이 있다.가장 자주 다루어지는 분포는 정규 분포, 3-모수 대수 정규 분포, 감마(지수 포함) 및 Weibull이다.(적합 목적을 위한) 덜 빈번한 "시행" 분포는 로그 로지스틱 모델, Burr, 일반화된 감마선 및 조각-정수 위험 모델이다.SD 분포를 혼합물-분포로 표시하려는 시도도 보고되었다(정규 분포, 대수 정규-로그 정규 분포 및 Weibull-Gamma 혼합물).간혹 일반적인 SD 분포에 유효한 예측 방법이 개발되거나, KDE(Kernel Density Assessment)와 같은 보다 발전된 기법이 전통적인 방법(분포 적합법이나 회귀 지향적 방법) 대신 사용된다.3-모수 대수 정규 분포가 대부분의 SD 분포를 가장 잘 설명한다는 데 광범위한 의견이 일치한다.정확한 특수 사례로서 정상, 대수 정규, 지수 분포의 새로운 제품군이 최근에 개발되었다.여기 몇 가지 예가 있다(가장 최근의 예는 다음과 같다.[5][6][7][8][9][10][11][12][13][14]

과거 기록을 사용하여 경험적 분포 지정

이론적 분포를 SD의 모델로 지정하는 대신 과거 기록을 사용하여 사용 가능한 데이터의 히스토그램을 구성하고 관련 경험적 분포 함수(누적 그림)를 사용하여 다양한 필요한 백분위수(중앙값 또는 3분위수)를 추정할 수 있다.과거 기록/전문가 추정치는 SD 분포 모델을 지정하지 않고 위치 및 척도 모수를 지정하는 데도 사용할 수 있다.

데이터 마이닝 방법

이러한 방법들은 최근 모든 종류의 수술에 대해 SD 분배를 기술하는 이론적 모델을 사전에 명시하는 대안으로 주목을 받고 있다.예는 아래에 자세히 설명되어 있다("예측 모델 및 방법").

SD 가변성 감소(변형 및 공변량)

SD 예측 정확도를 높이기 위해 SD 데이터 가변성을 줄이기 위해 다음과 같은 두 가지 주요 접근방식을 추구한다.계층화 및 공변량(예측 모형에 포함)공변량은 종종 문헌에서 요인, 효과, 설명 변수 또는 예측 변수로도 언급된다.

층화

이 용어는 SD 분포에 영향을 미치는 것으로 통계적으로 입증된 기준에 따라 사용 가능한 데이터를 부분군으로 분할(변형)하는 것을 의미한다.그런 다음 예측 방법은 변동성이 현저히 감소된 SD를 갖는 특정 부분군에 대한 SD 예측을 생성하는 것을 목표로 한다.계층화 기준의 예로는 의료 전문성, 절차 코드 시스템, 환자-진료 조건 또는 병원/외과/기술(병원별, 외과의사별 또는 기술별 모델과 관련된 결과 모델 포함)이 있다.구현 예로는 현재 절차 용어(CPT)와 ICD-9-CM 진단 및 절차 코드(국제 질병 분류, 9차 개정, 임상 수정)가 있다.[5][15][16][17]

공변량(요인, 효과, 설명 변수, 예측 변수)

변동성을 줄이기 위한 이 접근방식은 예측 모형에 공변량을 통합한다.SD 분포에 영향을 미치는 것으로 보이는 요인의 여러 수준에 대해 공변량이 서로 다른 값을 가정할 때(일반적으로 평균과 같은 위치 모수에 영향을 미치고 더 드물게 분산과 같은 척도 모수에 영향을 줌) 동일한 예측 방법이 더 일반적으로 적용될 수 있다.예측 방법에 공변량을 통합하는 가장 기본적인 방법은 SD 분포가 로그로 정규 분포를 따른다고 가정하는 것이다.기록된 데이터(SD 데이터 수집 로그)는 정규 분포 모집단을 나타내며, 다중 선형 회귀를 사용하여 통계적으로 유의한 요인을 검출할 수 있다.데이터 정규성을 요구하지 않거나 위반(일반화된 선형 모형, 비선형 회귀 분석)에 강한 기타 회귀 분석 방법과 인공지능 방법(시간순으로 정렬된 참조, 최신 우선)도 사용됐다.[14][18][19][20][21][22][23][24][25][26][27][28][29][30]

예측 모델 및 방법

다음은 SD 예측을 생성하기 위해 채택된 모델 및 방법의 대표(비배기) 목록이다(특정 순서는 아님).이들 또는 이들의 혼합물은 아래 대표 참고문헌의 견본에서 찾을 수 있다.

Linear regression (LR); Multivariate adaptive regression splines (MARS); Random forests (RF); Machine learning; Data mining (rough sets, neural networks); Knowledge discovery in databases (KDD); Data warehouse model (used to extract data from various, possibly non-interacting, databases); Kernel density estimation (KDE); Jackknife; Monte Carlo simuLation[31][32][33][34][35][2][36][37][38][39][40]

작업 프로세스로서의 수술(반복적, 반반복적, 기억력이 없음)

수술은 작업 과정이며, 마찬가지로 수술 후 회복되는 환자인 원하는 결과를 얻기 위해 입력이 필요하다.생산 엔지니어링의 작업 프로세스 입력의 예로는 "돈, 인력, 자재, 기계, 방법"(여기서 "인력"은 일반적으로 인적 요소를 가리킨다)이라는 5가지 M이 있다.산업 및 서비스의 모든 작업 프로세스와 마찬가지로 수술도 다양한 정도(예측 방법이 목표로 하는 정의된 통계 모집단 내)까지 불안정할 수 있는 특정 특성인 작업-콘텐츠를 가지고 있다.이는 SD 분포 형상에 영향을 미치는 SD 가변성의 원천을 생성한다(정상 분포, 순수 반복 공정의 경우, 지수 분포, 순수 메모리 없는 공정의 경우).이 근원을 무시하면 공변량으로 인한 변동성과 혼동될 수 있다(앞서 자세히 설명했듯이).따라서 모든 작업 과정을 세 가지 유형(반복, 반반복, 기억력 없음)으로 분할할 수 있으므로 수술도 이와 유사하게 분할할 수 있다.분포 계열을 전달하는 일-내용 불안정을 고려한 확률적 모델이 최근 개발돼 정규/일수 정규, 지수화 등이 정확한 특례다.이 모델은 SD에 대한 통계적 공정관리 체계를 구축하기 위해 적용되었다.[5][41][42]

참조

  1. ^ Rahimi, Iman; Gandomi, Amir H. (2020-05-11). "A Comprehensive Review and Analysis of Operating Room and Surgery Scheduling". Archives of Computational Methods in Engineering. 28 (3): 1667–1688. doi:10.1007/s11831-020-09432-2. ISSN 1886-1784. S2CID 219421229.
  2. ^ a b Bellini, Valentina; Guzzon, Marco; Bigliardi, Barbara; Mordonini, Monica; Filippelli, Serena; Bignami, Elena (January 2020). "Artificial Intelligence: A New Tool in Operating Room Management. Role of Machine Learning Models in Operating Room Optimization". Journal of Medical Systems. 44 (1): 20. doi:10.1007/s10916-019-1512-1. ISSN 0148-5598. PMID 31823034. S2CID 209169574.
  3. ^ Zhu, Shuwan; Fan, Wenjuan; Yang, Shanlin; Pei, Jun; Pardalos, Panos M. (2019-04-01). "Operating room planning and surgical case scheduling: a review of literature". Journal of Combinatorial Optimization. 37 (3): 757–805. doi:10.1007/s10878-018-0322-6. ISSN 1573-2886. S2CID 85562744.
  4. ^ Cardoen, Brecht; Demeulemeester, Erik; Beliën, Jeroen (March 2010). "Operating room planning and scheduling: A literature review". European Journal of Operational Research. 201 (3): 921–932. doi:10.1016/j.ejor.2009.04.011.
  5. ^ a b c Shore, Haim (2020-04-02). "An explanatory bi-variate model for surgery-duration and its empirical validation". Communications in Statistics: Case Studies, Data Analysis and Applications. 6 (2): 142–166. doi:10.1080/23737484.2020.1740066. ISSN 2373-7484. S2CID 218927900.
  6. ^ Taaffe, Kevin; Pearce, Bryan; Ritchie, Gilbert (2021). "Using kernel density estimation to model surgical procedure duration". International Transactions in Operational Research. 28 (1): 401–418. doi:10.1111/itor.12561. ISSN 1475-3995.
  7. ^ Joustra, Paul; Meester, Reinier; van Ophem, Hans (June 2013). "Can statisticians beat surgeons at the planning of operations?". Empirical Economics. 44 (3): 1697–1718. doi:10.1007/s00181-012-0594-0. hdl:10.1007/s00181-012-0594-0. ISSN 0377-7332. S2CID 89603919.
  8. ^ Choi, Sangdo; Wilhelm, Wilbert E. (2012-04-01). "An analysis of sequencing surgeries with durations that follow the lognormal, gamma, or normal distribution". IIE Transactions on Healthcare Systems Engineering. 2 (2): 156–171. doi:10.1080/19488300.2012.684272. ISSN 1948-8300. S2CID 120620428.
  9. ^ Chakraborty, Santanu; Muthuraman, Kumar; Lawley, Mark (2010-02-26). "Sequential clinical scheduling with patient no-shows and general service time distributions". IIE Transactions. 42 (5): 354–366. doi:10.1080/07408170903396459. ISSN 0740-817X. S2CID 18947312.
  10. ^ Eijkemans, Marinus J. C.; van Houdenhoven, Mark; Nguyen, Tien; Boersma, Eric; Steyerberg, Ewout W.; Kazemier, Geert (2010-01-01). "Predicting the Unpredictable: A New Prediction Model for Operating Room Times Using Individual Characteristics and the Surgeon's Estimate". Anesthesiology. 112 (1): 41–49. doi:10.1097/ALN.0b013e3181c294c2. ISSN 0003-3022. PMID 19952726. S2CID 27705870.
  11. ^ Spangler, William E.; Strum, David P.; Vargas, Luis G.; May, Jerrold H. (2004-05-01). "Estimating Procedure Times for Surgeries by Determining Location Parameters for the Lognormal Model". Health Care Management Science. 7 (2): 97–104. doi:10.1023/B:HCMS.0000020649.78458.98. ISSN 1572-9389. PMID 15152974. S2CID 31286297.
  12. ^ Strum, David P.; May, Jerrold H.; Sampson, Allan R.; Vargas, Luis G.; Spangler, William E. (2003-01-01). "Estimating Times of Surgeries with Two Component Procedures: Comparison of the Lognormal and Normal Models". Anesthesiology. 98 (1): 232–240. doi:10.1097/00000542-200301000-00035. ISSN 0003-3022. PMID 12503002. S2CID 13326275.
  13. ^ May, Jerrold H.; Strum, David P.; Vargas, Luis G. (2000). "Fitting the Lognormal Distribution to Surgical Procedure Times*". Decision Sciences. 31 (1): 129–148. doi:10.1111/j.1540-5915.2000.tb00927.x. ISSN 1540-5915.
  14. ^ a b Strum, David P.; May, Jerrold H.; Vargas, Luis G. (2000-04-01). "Modeling the Uncertainty of Surgical Procedure Times". Anesthesiology. 92 (4): 1160–1167. doi:10.1097/00000542-200004000-00035. ISSN 0003-3022. PMID 10754637. S2CID 17273369.
  15. ^ Dexter, Franklin; Dexter, Elisabeth U.; Ledolter, Johannes (April 2010). "Influence of Procedure Classification on Process Variability and Parameter Uncertainty of Surgical Case Durations". Anesthesia & Analgesia. 110 (4): 1155–1163. doi:10.1213/ANE.0b013e3181d3e79d. ISSN 0003-2999. PMID 20357155. S2CID 7546223.
  16. ^ Li, Ying; Zhang, Saijuan; Baugh, Reginald F.; Huang, Jianhua Z. (2009-11-30). "Predicting surgical case durations using ill-conditioned CPT code matrix". IIE Transactions. 42 (2): 121–135. doi:10.1080/07408170903019168. ISSN 0740-817X. S2CID 33971174.
  17. ^ Stepaniak, Pieter S.; Heij, Christiaan; Mannaerts, Guido H. H.; de Quelerij, Marcel; de Vries, Guus (October 2009). "Modeling Procedure and Surgical Times for Current Procedural Terminology-Anesthesia-Surgeon Combinations and Evaluation in Terms of Case-Duration Prediction and Operating Room Efficiency: A Multicenter Study". Anesthesia & Analgesia. 109 (4): 1232–1245. doi:10.1213/ANE.0b013e3181b5de07. ISSN 0003-2999. PMID 19762753. S2CID 5501541.
  18. ^ Wang, Jin; Cabrera, Javier; Tsui, Kwok-Leung; Guo, Hainan; Bakker, Monique; Kostis, John B. (2020-02-10). "Clinical and Nonclinical Effects on Operative Duration: Evidence from a Database on Thoracic Surgery". Journal of Healthcare Engineering. 2020: 1–8. doi:10.1155/2020/3582796. PMC 7035554. PMID 32104558.
  19. ^ Parker, Sarah Henrickson; Lei, Xue; Fitzgibbons, Shimae; Metzger, Thomas; Safford, Shawn; Kaplan, Seth (November 2020). "The Impact of Surgical Team Familiarity on Length of Procedure and Length of Stay: Inconsistent Relationships Across Procedures, Team Members, and Sites". World Journal of Surgery. 44 (11): 3658–3667. doi:10.1007/s00268-020-05657-1. ISSN 0364-2313. PMID 32661690. S2CID 220506263.
  20. ^ Powezka, Katarzyna; Normahani, Pasha; Standfield, Nigel J.; Jaffer, Usman (2020-03-01). "A novel team Familiarity Score for operating teams is a predictor of length of a procedure: A retrospective Bayesian analysis". Journal of Vascular Surgery. 71 (3): 959–966. doi:10.1016/j.jvs.2019.03.085. ISSN 0741-5214. PMID 31401113. S2CID 199540652.
  21. ^ Wang, Jin; Cabrera, Javier; Tsui, Kwok-Leung; Guo, Hainan; Bakker, Monique; Kostis, John B. (2020-02-10). "Clinical and Nonclinical Effects on Operative Duration: Evidence from a Database on Thoracic Surgery". Journal of Healthcare Engineering. 2020: 1–8. doi:10.1155/2020/3582796. ISSN 2040-2295. PMC 7035554. PMID 32104558.
  22. ^ Tan, K. W.; Nguyen, F. N. H. L.; Ang, B. Y.; Gan, J.; Lam, S. W. (August 2019). "Data-Driven Surgical Duration Prediction Model for Surgery Scheduling: A Case-Study for a Practice-Feasible Model in a Public Hospital". 2019 IEEE 15th International Conference on Automation Science and Engineering (CASE): 275–280. doi:10.1109/COASE.2019.8843299. ISBN 978-1-7281-0356-3. S2CID 202701068.
  23. ^ van Eijk, Ruben P. A.; van Veen-Berkx, Elizabeth; Kazemier, Geert; Eijkemans, Marinus J. C. (August 2016). "Effect of Individual Surgeons and Anesthesiologists on Operating Room Time". Anesthesia & Analgesia. 123 (2): 445–451. doi:10.1213/ANE.0000000000001430. ISSN 0003-2999. PMID 27308953. S2CID 21344455.
  24. ^ Kayış, Enis; Khaniyev, Taghi T.; Suermondt, Jaap; Sylvester, Karl (2015-09-01). "A robust estimation model for surgery durations with temporal, operational, and surgery team effects". Health Care Management Science. 18 (3): 222–233. doi:10.1007/s10729-014-9309-8. ISSN 1572-9389. PMID 25501470. S2CID 28157635.
  25. ^ Gillespie, Brigid M.; Chaboyer, Wendy; Fairweather, Nicole (2012-01-01). "Factors that influence the expected length of operation: results of a prospective study". BMJ Quality & Safety. 21 (1): 3–12. doi:10.1136/bmjqs-2011-000169. hdl:10072/47509. ISSN 2044-5415. PMID 22003174. S2CID 9857941.
  26. ^ Kayis, Enis; Wang, Haiyan; Patel, Meghna; Gonzalez, Tere; Jain, Shelen; Ramamurthi, R. J.; Santos, Cipriano; Singhal, Sharad; Suermondt, Jaap; Sylvester, Karl (2012). "Improving prediction of surgery duration using operational and temporal factors". AMIA ... Annual Symposium Proceedings. AMIA Symposium. 2012: 456–462. ISSN 1942-597X. PMC 3540440. PMID 23304316.
  27. ^ Palmer, Phillip B.; O'Connell, Dennis G. (September 2009). "Regression analysis for prediction: understanding the process". Cardiopulmonary Physical Therapy Journal. 20 (3): 23–26. doi:10.1097/01823246-200920030-00004. ISSN 2374-8907. PMC 2845248. PMID 20467520.
  28. ^ Dexter, Franklin; Dexter, Elisabeth U.; Masursky, Danielle; Nussmeier, Nancy A. (April 2008). "Systematic Review of General Thoracic Surgery Articles to Identify Predictors of Operating Room Case Durations". Anesthesia & Analgesia. 106 (4): 1232–1241. doi:10.1213/ane.0b013e318164f0d5. ISSN 0003-2999. PMID 18349199. S2CID 24481667.
  29. ^ Ballantyne, Garth H.; Ewing, Douglas; Capella, Rafael F.; Capella, Joseph F.; Davis, Dan; Schmidt, Hans J.; Wasielewski, Annette; Davies, Richard J. (2005-02-01). "The Learning Curve Measured by Operating Times for Laparoscopic and Open Gastric Bypass: Roles of Surgeon's Experience, Institutional Experience, Body Mass Index and Fellowship Training". Obesity Surgery. 15 (2): 172–182. doi:10.1381/0960892053268507. ISSN 1708-0428. PMID 15810124. S2CID 9083869.
  30. ^ Strum, David P.; Sampson, Allan R.; May, Jerrold H.; Vargas, Luis G. (2000-05-01). "Surgeon and Type of Anesthesia Predict Variability in Surgical Procedure Times". Anesthesiology. 92 (5): 1454–1466. doi:10.1097/00000542-200005000-00036. ISSN 0003-3022. PMID 10781292. S2CID 18089668.
  31. ^ Soh, K. W.; Walker, C.; O’Sullivan, M.; Wallace, J. (2020-01-02). "An Evaluation of the Hybrid Model for Predicting Surgery Duration". Journal of Medical Systems. 44 (2): 42. doi:10.1007/s10916-019-1501-4. ISSN 1573-689X. PMID 31897758. S2CID 209541497.
  32. ^ Soh, K. W.; Walker, C.; O’Sullivan, M.; Wallace, J. (2020-10-01). "Comparison of Jackknife and Hybrid-Boost Model Averaging to Predict Surgery Durations: A Case Study". SN Computer Science. 1 (6): 316. doi:10.1007/s42979-020-00339-0. ISSN 2661-8907.
  33. ^ Jiao, York; Sharma, Anshuman; Ben Abdallah, Arbi; Maddox, Thomas M.; Kannampallil, Thomas (2020-12-09). "Probabilistic forecasting of surgical case duration using machine learning: model development and validation". Journal of the American Medical Informatics Association. 27 (12): 1885–1893. doi:10.1093/jamia/ocaa140. ISSN 1527-974X. PMC 7727362. PMID 33031543.
  34. ^ Rozario, Natasha; Rozario, Duncan (2020-11-12). "Can machine learning optimize the efficiency of the operating room in the era of COVID-19?". Canadian Journal of Surgery. 63 (6): E527–E529. doi:10.1503/cjs.016520. PMC 7747850. PMID 33180692.
  35. ^ Bartek, Matthew A.; Saxena, Rajeev C.; Solomon, Stuart; Fong, Christine T.; Behara, Lakshmana D.; Venigandla, Ravitheja; Velagapudi, Kalyani; Lang, John D.; Nair, Bala G. (October 2019). "Improving Operating Room Efficiency: Machine Learning Approach to Predict Case-Time Duration". Journal of the American College of Surgeons. 229 (4): 346–354.e3. doi:10.1016/j.jamcollsurg.2019.05.029. PMC 7077507. PMID 31310851.
  36. ^ Tuwatananurak, Justin P.; Zadeh, Shayan; Xu, Xinling; Vacanti, Joshua A.; Fulton, William R.; Ehrenfeld, Jesse M.; Urman, Richard D. (2019-01-17). "Machine Learning Can Improve Estimation of Surgical Case Duration: A Pilot Study". Journal of Medical Systems. 43 (3): 44. doi:10.1007/s10916-019-1160-5. ISSN 1573-689X. PMID 30656433. S2CID 58014888.
  37. ^ Zhao, Beiqun; Waterman, Ruth S.; Urman, Richard D.; Gabriel, Rodney A. (2019-01-05). "A Machine Learning Approach to Predicting Case Duration for Robot-Assisted Surgery". Journal of Medical Systems. 43 (2): 32. doi:10.1007/s10916-018-1151-y. ISSN 1573-689X. PMID 30612192. S2CID 57447853.
  38. ^ Hosseini, N.; Sir, M. Y.; Jankowski, C. J.; Pasupathy, K. S. (2015). "Surgical Duration Estimation via Data Mining and Predictive Modeling: A Case Study". AMIA ... Annual Symposium Proceedings. AMIA Symposium. 2015: 640–648. ISSN 1942-597X. PMC 4765628. PMID 26958199.
  39. ^ ShahabiKargar, Zahra; Khanna, Sankalp; Good, Norm; Sattar, Abdul; Lind, James; O’Dwyer, John (2014). Pham, Duc-Nghia; Park, Seong-Bae (eds.). "Predicting Procedure Duration to Improve Scheduling of Elective Surgery". PRICAI 2014: Trends in Artificial Intelligence. Lecture Notes in Computer Science. Cham: Springer International Publishing. 8862: 998–1009. doi:10.1007/978-3-319-13560-1_86. ISBN 978-3-319-13560-1.
  40. ^ Combes, C.; Meskens, N.; Rivat, C.; Vandamme, J.-P. (2008-03-01). "Using a KDD process to forecast the duration of surgery". International Journal of Production Economics. 112 (1): 279–293. doi:10.1016/j.ijpe.2006.12.068. ISSN 0925-5273.
  41. ^ Shore, Haim (2020). "SPC scheme to monitor surgery duration". Quality and Reliability Engineering International. 37 (4): 1561–1577. doi:10.1002/qre.2813. ISSN 1099-1638. S2CID 229442000.
  42. ^ Shore, Haim (2021-12-13). "Estimating operating room utilisation rate for differently distributed surgery times". International Journal of Production Research: 1–15. doi:10.1080/00207543.2021.2009141. ISSN 0020-7543. S2CID 245200753.