Implementing Next-Generation Sequencing Process Changes to Increase Capacity and Improve Timeliness of Molecular Biomarker Profiling for Lung Cancer Patients
Notice bibliographique
Résumé
BACKGROUND: Faced with expansion of molecular tumor biomarker profiling, the molecular genetics laboratory at Kingston Health Science Centre experienced significant pressures to maintain the provincially mandated 2-week turnaround time (TAT) for lung cancer (LC) patients. We used quality improvement methodology to identify opportunities for improved efficiencies and report the impact of the initiative. METHODS: We set a target of reducing average TAT from accessioning to clinical molecular lab report for LC patients. Process measures included percentage of cases reaching TAT within target and number of cases. We developed a value stream map and used lean methodology to identify baseline inefficiencies. Plan-Do-Study-Act cycles were implemented to streamline, standardize, and automate laboratory workflows. Statistical process control (SPC) charts assessed for significance by special cause variation. RESULTS: A total of 257 LC cases were included (39 baseline January-May 2021; 218 post-expansion of testing June 2021). The average time for baseline TAT was 12.8 days, peaking at 23.4 days after expansion of testing, and improved to 13.9 days following improvement interventions, demonstrating statistical significance by special cause variation (nonrandom variation) on SPC charts. CONCLUSIONS: The implementation of standardized manual and automated laboratory processes improved timeliness of biomarker reporting despite the increasing volume of testing at our center.
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 | 0,024 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».