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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».