Het efficiënter maken van het operatiekamerschema met kunstmatige intelligentie

Het Erasmus MC wil de beste zorg geven aan patiënten. Maar dat is niet altijd makkelijk. Er zijn te weinig medewerkers en door de vergrijzing wordt de vraag naar zorg steeds groter [1]. Tegelijkertijd worden de kosten van de zorg hoger, onder andere door dure behandelingen, personeel, administratie en het niet slim gebruiken van middelen. Dit is een probleem voor ziekenhuizen én voor patiënten. Daarom zijn er slimme en goedkope oplossingen nodig.

Een oplossing is het beter plannen van personeel, apparatuur en ruimtes. Zo kun je bestaande middelen beter gebruiken. Dit zorgt ervoor dat patiënten op tijd goede zorg krijgen en dat het personeel minder werkdruk heeft. Een belangrijk onderdeel van de planning is de operatiekamer (OK). De OK is een van de duurste afdelingen van het ziekenhuis. Als de planning van de OK niet goed is, kan dat leiden tot hoge kosten, vertragingen voor patiënten en personeel dat moet overwerken [2], [3]. Het is daarom belangrijk dat de planning sterk is en dat alles zo efficiënt mogelijk wordt ingezet.

In het Erasmus MC zijn er meerdere problemen met de OK-planning. Denk aan: operaties die moeten worden verplaatst, langere wachtlijsten, personeel dat overwerkt en kosten terwijl er geen zorg geleverd wordt. Deze studie richt zich op deze problemen, vooral op het gebied van dagelijkse planning.

Kunstmatige intelligentie (AI) en wiskundige technieken kunnen helpen bij deze problemen. AI gebruikt slimme computers die grote hoeveelheden data kunnen verwerken, voorspellingen kunnen doen en zich kunnen aanpassen aan veranderingen. Wiskundige technieken kunnen helpen om werk slimmer te verdelen en verspilling te verminderen. Samen kunnen deze methodes zorgen voor betere planningen, lagere kosten en meer tevredenheid bij personeel en patiënten [4], [5]. In dit onderzoek kijken we hoe we deze technieken kunnen gebruiken voor een sterkere OK-planning.

Het doel is om een betere planning te maken voor de operatiekamers in het Erasmus MC. We gebruiken hierbij kunstmatige intelligentie en wiskundige technieken. Het onderzoek bestaat uit vier deelprojecten:

1. Voorspellen hoe lang een geplande operatie duurt.
2. Voorspellen of een operatiekamer (of het hele OK-complex) uitloopt.
3. Het verdelen van bedden op de uitslaapkamer (PACU).
4. Inzicht krijgen in spoedoperaties en hoe lang deze duren.

Deze projecten moeten zorgen voor: betere inzet van middelen, betrouwbare planningen en minder kosten zonder dat er zorg geleverd wordt.

Afhankelijk van het type en de structuur van de gegevens worden de juiste stappen genomen voor de verwerking. Deze stappen bestaan in ieder geval uit:

• Verkennende analyse van de gegevens
• Zorgen dat de definities van de variabelen hetzelfde zijn
• Omgaan met ontbrekende gegevens
• Voorbewerken van tekst
• Opsporen van uitschieters en het schalen van gegevens
• Controleren of variabelen elkaar beïnvloeden (multicollineariteit)

Op basis van het doel van het onderzoek worden er ook nieuwe kenmerken (zogenaamde 'features') gemaakt uit de bestaande gegevens. Deze nieuwe kenmerken worden ontworpen in overleg met experts uit het OK-complex.

Alle stappen in de gegevensverwerking en het maken van nieuwe kenmerken worden goed vastgelegd. Dit is belangrijk voor controle en goedkeuring. De documentatie gebeurt volgens de regels van het Erasmus MC.

Kunstmatige intelligentie / machinaal leren

Voor het voorspellen van de duur van operaties en het verkrijgen van inzicht in spoedpatiënten wordt kunstmatige intelligentie gebruikt. De voorspelling van de operatieduur is een ‘regressieprobleem’, terwijl het inzicht in spoedpatiënten een ‘regressie’ of ‘classificatieprobleem’ kan zijn. Daarom kunnen verschillende machine learning-algoritmes worden toegepast.

Er worden meerdere modellen getest en vergeleken, zoals:

• Random Forest
• XGBoost
• SVM
• Logistieke regressie
• MLP
• Multi-task modellen
• KNN

Als er op het moment van ontwerp nieuwere, betere methodes beschikbaar zijn, dan kunnen deze ook worden gebruikt.

De modellen worden beoordeeld met prestatiecijfers, zoals:

• Root Mean Squared Error (RMSE)
• Mean Absolute Error (MAE)
• Precisie
• Recall
• F1-score

Voor het gebruik van open tekstvelden (zoals opmerkingen in patiëntendossiers) gebruiken we tekstmining of NLP (Natural Language Processing) om belangrijke informatie uit de tekst te halen. Hiervoor kijken we naar:

• Regelgebaseerde methoden: deze gebruiken regels die zijn opgesteld met experts.
• Statistische methoden: deze leren zelf van de tekst met machine learning.

We denken hierbij aan methoden zoals Word2Vec, TF-IDF, BERT, en bag-of-words.

Operations research technieken

Voor het voorspellen van de kans op overwerk in een operatiekamer en voor het verdelen van bedden op de PACU zijn wiskundige modellen beter geschikt. We gebruiken hierbij technieken zoals:

• Kansmodellen
• Simulaties
• Wachtrijtheorie
• Lineaire programmering
• Heuristieken (praktische oplossingsmethoden)

We onderzoeken welke methode het beste past bij elke onderzoeksvraag en vergelijken indien nodig meerdere modellen. Welke methode het beste werkt, hangt af van het probleem en de kwaliteit van de beschikbare gegevens.

Controle, goedkeuring en uitvoering

De resultaten van de modellen worden gecontroleerd met behulp van operatiegegevens. De data worden daarbij gesplitst in een trainingsgroep en een testgroep. De uitkomsten worden besproken met experts om te kijken of de resultaten logisch zijn en om de modellen eventueel aan te passen.

Belangrijke uitkomsten worden visueel gemaakt, bijvoorbeeld in dashboards. Samen met de eindgebruikers wordt besloten hoe de resultaten het beste gedeeld kunnen worden.

Er wordt niet naar een specifiek product gekeken. 

Er zijn geen risico’s voor patiënten. De onderzoekers gebruiken alleen bestaande gegevens. Er zijn dus geen extra handelingen of afspraken nodig. Alles gebeurt volgens de wet.