Classification of Musculoskeletal Radiograph Requisition Appropriateness Using Machine Learning
Notice bibliographique
Résumé
Objective: Poor quality imaging requisitions lower report quality and impede good patient care. Manual control of such requisitions is time consuming and can be a source of friction with referring physicians. The purpose of this study was to determine if poor quality requisitions could be identified automatically using machine learning and natural language processing techniques in order to allow for more efficient workflow. Methods: Exam indications from 50 000 musculoskeletal radiograph requisitions were manually classified, reviewed and deemed ‘appropriate’ or ‘inappropriate’ by two staff radiologists based on ACR appropriateness criteria. The requisitions were divided into training and test groups (80/20 split). The training set was pre-processed, converted to a bag-of-words model and used to train a Multinomial Naïve Bayes classifier which was then applied to the test set. Results: Out of 50 000 requisitions, 12 253 (24.5%) were deemed to contain an inappropriate indication. A Naive Bayes model correctly classified requisitions with an accuracy of 98%. In the test set, 107 of 7561 (1.4%) appropriate requisitions were incorrectly flagged and 92 of 2439 (3.8%) inappropriate requisitions were not flagged. Conclusions: Accurate automated identification of inappropriate indications on musculoskeletal requisitions is feasible using machine learning and natural language processing.
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 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».