Predicting Pediatric Urological Surgery Duration Through Multimodal Patient-Physician Feature Fusion: Deep Learning Framework Incorporating Clinical Text Embedding.

Contexte : La prédiction précise de la durée des interventions chirurgicales est essentielle pour optimiser la planification des salles d'opération et l'allocation des ressources. Cependant, les modèles existants ont des limites en pédiatrie urologique en raison des particularités anatomiques et développementales des enfants. Objectif : Développer et valider un cadre de prédiction spécialisé pour estimer la durée des chirurgies urologiques pédiatriques, en intégrant des données hétérogènes (démographie, détails chirurgicaux, dossiers médicaux électroniques, etc.). Méthode : Une architecture de réseau de neurones à perceptron multi-tête a été utilisée pour fusionner efficacement les données structurées et non structurées. Des techniques de grands modèles linguistiques ont permis l'extraction de représentations sémantiques à partir du texte clinique non structuré. Des variables spécifiques à la pédiatrie (stade de développement, gravité des malformations urinaires) ont été modélisées explicitement. Résultats : Le modèle a atteint une erreur absolue moyenne de 11,39 minutes et une erreur quadratique moyenne de 15,58 minutes, surpassant les méthodes existantes. L'analyse d'importance des caractéristiques a identifié la procédure chirurgicale principale, le plan opératoire et le diagnostic préopératoire comme facteurs prédictifs dominants. Intérêt clinique : Ce cadre améliore significativement la précision de la prédiction, offrant un soutien technique robuste pour une planification chirurgicale précise et une utilisation optimale des ressources. Limites : L'approche est spécifique à l'urologie pédiatrique et repose sur des données hétérogènes complexes, nécessitant des validations supplémentaires sur des cohortes plus diversifiées.

Prédiction de la durée chirurgicale en urologie pédiatrique Fusion multimodale de données structurées et non structurées Utilisation de grands modèles linguistiques pour le texte clinique Performance supérieure aux méthodes existantes (LSTM, Embedding-3) Impact sur la planification des salles d'opération et l'efficacité des ressources

Optimisation de la gestion des salles d'opération Amélioration de l'allocation des ressources médicales Personnalisation des prédictions basées sur des variables pédiatriques spécifiques

Spécificité à l'urologie pédiatrique, limitant la généralisation Dépendance à des données hétérogènes complexes Nécessité de validations sur des cohortes plus larges

Modéré