AI a műtőben: percről percre mérhető hatékonyság

A műtő az a hely a kórházban, ahol a percek tényleg pénzben mérhetők. Egy friss, nagy esetszámú vizsgálat szerint az operációs idő költsége 46,04 USD percenként – és ez csak az „óra ketyeg” része, nem a teljes rendszerhatás. Ha ezt átszámolod egy átlagos, közel háromórás beavatkozásra, gyorsan kijön, miért van az, hogy az OR (operating room) hatékonysága sok intézményben a vezetői meetingek állandó témája.

A gond az, hogy a legtöbb kórház még mindig túl szűken keretezi a kérdést: „legyen gyorsabb a turnover” (két műtét közti átállás). Csakhogy egy térdprotézis-műtét (TKA) teljes idejében a turnover a vizsgált anyagban kb. 24% volt. Magyarul: ha csak ezt faragjuk, a történet háromnegyedét érintetlenül hagyjuk.

Ebben a „Mesterséges intelligencia az egészségügyben” sorozatban gyakran beszélünk képalkotásról, diagnózistámogatásról és telemedicináról. Most viszont egy olyan terület jön, ahol az AI nem „dönt helyettünk”, hanem láthatóvá teszi, mi történik a falak között: számítógépes látáson alapuló mesterséges intelligencia automatikusan felismeri a műtői eseményeket, időbélyeget tesz rájuk, és ezzel olyan részletességgel méri a folyamatot, ami eddig jellemzően emberi kattintgatás, dokumentálás vagy utólagos becslések ára volt.

Mit mér az AI valójában a műtőben?

A lényeg egyszerű: ha nem tudod pontosan, hol megy el az idő, csak „érzésre” javítasz a rendszeren. A számítógépes látásra épülő rendszer falra szerelt kamerákkal folyamatosan figyeli a műtői aktivitást, majd két lépcsőben dolgozik:

• Objektumfelismerés (YOLO-alapú modell): azonosítja a beteget, a személyzetet, kulcsfontosságú eszközöket.
• Eseménydetektálás (transzformer-alapú modell): a térbeli és időbeli mintázatokból megmondja, hogy milyen műtői esemény történt, és mikor.

A vizsgálatban a rendszer a teljes térdprotézis-műtéteket 8 szakaszra bontotta:

1. altatás/anesztézia bevezetése
2. beteg előkészítése
3. végső előkészítés
4. aktív műtéti rész
5. posztoperatív teendők
6. beteg kivitele
7. műtő takarítás
8. műtő előkészítés (setup)

Miért számít a szegmentálás?

Mert a „teljes műtéti idő” egy túl nagy doboz. Két azonos hosszúságú műtét teljesen más okból lehet hosszú:

• az egyiknél az anesztézia indukció csúszik,
• a másiknál az eszközök nincsenek időben előkészítve,
• a harmadiknál maga az aktív műtéti fázis nyúlik el.

Ugyanaz a végszám, teljesen más beavatkozási pont.

Mit talált a kutatás: nagy különbségek, nem ott, ahol keresnéd

A vizsgálat 2502 térdprotézis esetet elemzett (2022.09–2025.03), és azt nézte, mennyire térnek el a szakaszidők szolgáltatói (provider) szinten – tehát például sebészek, aneszteziológusok, műtősnővérek között.

A modell pontossága a gyakorlatban is erős volt: az események felismerésénél a mutatók ≥0,97 körüliek voltak, a tipikus időbélyeg-hiba pedig 6,4–16,9 másodperc. Ez azért fontos, mert folyamatfejlesztéshez nem elég „nagyjából stimmel”; a viták mindig perceken mennek.

A legnagyobb szórás: az aktív műtéti fázis a sebészek között

A legmarkánsabb különbség az aktív beavatkozási szakaszban jelent meg a sebészek között:

• statisztikailag erős eltérés (p<0,001),
• a becsült hatásintervallum (β IQR) −20,9 és +8,8 perc között mozgott a „szerepkörátlaghoz” képest.

Ezt én úgy fordítom le a kórházi valóságra: ugyanazon intézményen belül, ugyanazon beavatkozástípusnál nem ritka a 10–20 perces „személyfüggő” különbség egy olyan fázisban, ami önmagában a teljes idő kb. 33%-át adta.

A „láthatatlan” idők: műtő setup a keringő és scrub szerepkörben

A második érdekes terület a műtő előkészítés volt:

• keringő nővérnél (circulating) β IQR: −5,2 – +4,4 perc,
• scrub nővérnél β IQR: −3,7 – +3,2 perc,
• mindkettőnél szignifikáns eltérés (p<0,001).

Ez a pár perc elsőre nem hangzik soknak. Csakhogy a műtőben a „pár perc” nagyon gyorsan összeadódik:

• napi 6–10 esetnél,
• több műtővel,
• heti 5 napon.

Az év végére ez órákban mérhető kapacitás, ami vagy plusz beavatkozást jelent, vagy kevesebb túlórát, vagy egyszerűen kiszámíthatóbb napzárást.

Egy meglepő rész: a beteg kivitele nem nagyon „személyfüggő”

A beteg műtőből való kivitele (patient exit) volt az egyik olyan szakasz, ahol nem látszott számottevő szolgáltatói különbség. Ez gyakran azt jelzi, hogy:

• a folyamat eleve erősen standardizált,
• sok külső korlát (protokoll, biztonsági lépések) „keretezi”,
• kisebb a mozgástér, kevesebb a variálható döntés.

Ez jó hír: ahol nincs szórás, ott felesleges agresszíven „optimalizálni”. A fókusz legyen ott, ahol tényleg van hatás.

Miért jobb a computer vision az EESZT/EHR-kattintgatásnál?

A klasszikus megoldás az, hogy valaki dokumentál: időpontot ír, gombot nyom, vagy utólag korrigál. A baj ezzel kettős:

1. Terheli a személyzetet. Egy korábbi adat szerint a nővérek akár ~9 percet is eltölthetnek műtéti időből dokumentálással.
2. Zajos adatot termel. Ha egy csapat rohan, a dokumentálás késik, becslés lesz belőle, és pont a finom különbségek vesznek el.

A kamerás, automatikus eseménydetektálás a folyamatfejlesztés szempontjából három dolgot ad:

• Skálázhatóság: nem kell plusz adminisztráció minden műtőbe.
• Konzisztencia: ugyanazzal a logikával születnek az időbélyegek.
• Granularitás: nem csak turnover, hanem a teljes perioperatív út szétszedhető.

„A jó minőségfejlesztés nem hősiességből áll, hanem abból, hogy a rendszer mérhető és ismételhető.”

Hogyan lesz ebből tényleges kórházi haszon? (Nem csak dashboard)

A mérés önmagában nem javít semmit. A haszon ott keletkezik, amikor az intézmény képes célzott beavatkozást tervezni a szórás alapján.

1) Benchmarking úgy, hogy ne legyen belőle „ujjal mutogatás”

A tanulmány egy fontos módszertani lépést használt: az ún. effect coding-ot, ahol az egyes szolgáltatók eltérése a teljes szerepkör átlagához képest értelmezhető.

A gyakorlatban ezt így érdemes kezelni:

• anonim vagy pszeudonimizált riportokkal indulni,
• szerepkörön belül összehasonlítani (sebész sebésszel, keringő keringővel),
• nem „büntetni”, hanem tanulási köröket szervezni.

A rosszul bevezetett benchmarking mérgez. A jól bevezetett benchmarking viszont nagyon gyorsan kultúrát épít: „nézzük meg együtt, miért csúszik”.

2) Videó-visszanézés: konkrét minták, nem vélemények

A vizsgálatban a hosszú aktív műtéti fázisoknál (90. percentilis körüli esetek) a visszanézés olyan okokat tárt fel, amiket egy sima EHR-időbélyeg sose mondana meg:

• atipikus lépéssorrend,
• elhúzódó cementkötés,
• hosszabb zárás,
• limitált személyzeti támogatás,
• implantátum-vendornál bizonytalanság, „jegyzetből dolgozás”.

Ez nem „hibás” vagy „jó” kategória. Ez folyamat. És folyamatot folyamatként kell javítani: tréning, standard work, eszköz-előkészítés, vendor onboarding.

3) Téli valóság (2025 december): a kapacitás feszül, nem a PR

Decemberben a kórházakban jellemzően egyszerre van:

• év végi finanszírozási és kapacitásnyomás,
• szabadságolások miatti törékenyebb beosztás,
• akut esetek ingadozása,
• betegelégedettségi elvárások.

Ilyenkor az OR-hatékonyság nem „szép projekt”, hanem túlélési kérdés. A computer vision-alapú AI azért praktikus, mert nem kér plusz munkát a legterheltebb szereplőktől, mégis jobb adatot ad a döntésekhez.

Gyakori kérdések, amik mindig felmerülnek (és jó, ha előre tisztázod)

„Ez nem adatvédelmi rémálom?”

Az adatvédelem nem opcionális. A vizsgált rendszerben a felvételeket szigorúan kontrollált környezetben tárolták, és legfeljebb 28 napig őrizték, majd automatikusan törölték. A való életben ennél is fontosabb a helyi szabályozás, hozzáférés-kezelés, audit és a célhoz kötöttség.

„Mi van, ha a kamera nem lát mindent?”

A műtő tele van takarással: emberek, műszerek, fények. Ezért használtak négy falra szerelt kamerát, hogy csökkentsék a vakfoltokat. Ettől még nem lesz tökéletes minden helyzetben, de a teljesítményszámok alapján az eseménydetektálás elég stabil volt minőségfejlesztéshez.

„Nem lesz ebből személyzeti ellenállás?”

De, lehet. És őszintén: jogos is, ha az üzenet az, hogy „mostantól figyelünk”. A jó bevezetés üzenete más:

• kevesebb adminisztráció,
• igazságosabb, objektívebb mérés,
• jobb műszakszervezés,
• kevesebb túlóra.

A bizalom nem a technológiától lesz meg, hanem attól, hogyan használod.

Merre érdemes továbbmenni: AI az OR-ben, de klinikai kontextussal

A tanulmány egyik korlátja, hogy a modellek nem tartalmaztak minden betegszintű tényezőt (például BMI, társbetegségek). Ez fontos tanulság: a következő lépés a legtöbb intézményben az, hogy a computer vision-adatot össze kell kötni:

• műtéti listával és tervezéssel,
• klinikai kockázati tényezőkkel,
• erőforrás-adatokkal (csapatösszetétel, eszközlogisztika),
• minőségi kimenetekkel (szövődmény, újrafelvétel, fertőzés).

Az igazi cél nem az, hogy minden gyorsabb legyen. Az igazi cél az, hogy kiszámíthatóbb és biztonságosabb legyen, és közben ne égjen ki a csapat.

Következő lépés: mit tehet egy kórház vagy magánszolgáltató már most?

Ha az OR-hatékonyság nálatok is állandó téma, én ezt a lépcsőzetes megközelítést javaslom:

1. Határozzátok meg a 6–10 kulcs eseményt, amit tényleg mérni akartok (ne mindent egyszerre).
2. Tegyetek rendet a szerepkörökben és felelősségekben (ki „gazdája” melyik szakasznak).
3. Indítsatok pilotot 1–2 műtőben 8–12 hétig, és nézzétek a szórást, nem csak az átlagot.
4. Vezessetek be célzott beavatkozásokat (standardizált setup, tréning, vendor onboarding, műszak-előkészítés).
5. Mérjetek vissza, és csak azután skálázzatok.

A legfontosabb mondat, amit érdemes kitenni a falra: „Amit nem látunk tisztán, azon nem tudunk tisztességesen javítani.”

A „Mesterséges intelligencia az egészségügyben” sorozatban sokszor az AI klinikai döntéstámogató arcát látjuk. Ez a műtői példa viszont egy másik, legalább ennyire értékes irány: AI, ami a működést teszi mérhetővé, és ezzel teret ad a jobb szervezésnek, a kevesebb adminnak és a stabilabb betegút-végrehajtásnak.

Ha 2026-ban egy kórház versenyezni akar várólistában, kapacitásban és munkaerő-megtartásban, akkor az OR nem maradhat „fekete doboz”. A kérdés már csak az: nálatok melyik műtéti szakasz a leginkább „láthatatlan”?