Evolution of anatomic pathology workload from 2011 to 2019 assessed in a regional hospital laboratory via 574,093 pathology reports
Notice bibliographique
Résumé
OBJECTIVE: Quantify changes in workload in relation to the anatomic pathologist workforce. METHODS: In house pathology reports for cytology and surgical specimens from a regional hospital laboratory over a nine- year period (2011-2019) were analyzed, using custom computer code. Report length for the diagnosis+microscopic+synoptic report, number of blocks, billing classification (L86x codes), billings, national workload model (L4E 2018), regional workload model (W2Q), case count, and pathologist workforce in full-time equivalents (FTEs) were quantified. Randomly selected cases (n = 1,100) were audited to assess accuracy. RESULTS: The study period had 574,093 pathology reports that could be analyzed. The coding accuracy was estimated at 95%. From 2011 to 2019: cases/year decreased 6% (66,056 to 61,962), blocks/year increased 20% (236,197 to 283,751), L4E workload units increased 23% (165,276 to 203,894), W2Q workload units increased 21% (149,841 to 181,321), report lines increased 19% (606,862 to 723,175), workforce increased 1% (30.42 to 30.77 FTEs), billings increased 13% ($6,766,927 to $7,677,109). W2Q in relation to L4E underweights work in practices with large specimens by up to a factor of 2x. CONCLUSIONS: Work by L4E for large specimens is underrated by W2Q. Reporting requirements and pathology work-up have increased workload per pathology case. Work overall has increased significantly without a commensurate workforce increase. The significant practice changes in the pathology work environment should prompt local investment in the anatomic pathology workforce.
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 | 0,003 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».