Implementation of O-RADS Ultrasound Reporting System: A Quality Improvement Initiative
Notice bibliographique
Résumé
Objectives: To determine the feasibility of implementing Ovarian-Adnexal Reporting & Data System (O-RADS) ultrasound (US) for reporting of adnexal masses at our institution, with a specific goal of increasing the use of O-RADS from a baseline of <5% to at least 75% over a 16-month period. Methods: A prospective interrupted time series quality improvement study was undertaken over a 16-month period. Plan, do, study, act cycles included: (1) Engagement of interested parties, (2) Targeted educational sessions, (3) Development of reporting templates, (4) Weekly audit-feedback. Inter-reader variability assessment was performed on 70% of O-RADS risk-category 2 to 5. The primary outcome was the reporting of an O-RADS risk category. Results: A total of 635 female pelvic US were performed at our centre between July 2022 and April 2023. An O-RADS risk category was provided on the final radiology report by the radiologist for 489/635 (77%) US. From November 2022 to April 2023, the weekly rate of O-RADS risk category reporting reached 88%. The O-RADS score was concordant between readers for 83/103 (81%) of US reports with kappa score of 0.69 corresponding to good agreement. Conclusions: The reporting of O-RADS risk category increased from <5% to 88% over a 16-month period with a high level of agreement among readers in assigning O-RADS risk category. Implementation of a standardizing reporting ultrasound system at a tertiary cancer centre is feasible with rapid learning and uptake curves.
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 | 0,103 | 0,103 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| 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 | 0,004 | 0,002 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».