The adaptation of AABACUS for quality improvement in laboratory workflow analysis ("L-AABACUS")
Notice bibliographique
Résumé
The ability to effectively monitor key indicators is important for continuous quality improvement in laboratory immunohistochemistry. This article deals specifically with laboratory turnaround time (TAT) as a key delivery indicator and the impact of laboratory workflow on laboratory TATs. While our laboratory has traditionally relied on the manual calculation of slide-TAT (S-TAT) to monitor delivery, we have determined that automated calculation of case-TAT (C-TAT) would be superior as a delivery indicator. AABACUS (Automatable Activity-Based Approach to Complexity Unit Scoring) is an activity-based workload model designed to function primarily as a decision support tool to monitor pathologist staffing levels. We devised a high-level proof-of-principle approach to determine whether it is possible to apply AABACUS as a decision support tool for quality improvement through analysis of alternative laboratory workflows that have potential to impact C-TAT. Our use of AABACUS in this proof-of-principle quality improvement endeavour was two-fold: (1) we leveraged the ability of AABACUS to link data at the slide level to data at the case level, which enabled the automated calculation of C-TAT; and (2) we adapted AABACUS to evaluate the impact of laboratory workflow activities (specifically workflow bifurcation activities) on the calculated C-TATs. We have coined the term 'L-AABACUS' to describe the adaptation of AABACUS to the analysis of laboratory workflow.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,021 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».