Machine learning-based prediction of MRI scan duration
Loading...
URL
Journal Title
Journal ISSN
Volume Title
School of Science |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
Department
Major/Subject
Mcode
Language
en
Pages
40
Series
Abstract
The duration of a magnetic resonance imaging (MRI) study can vary considerably depending on the imaging target, selected protocol, patient characteristics, and technical factors of the scanner. Even similar protocols contain substantial variation, which makes accurate prediction challenging. This unpredictability often leads to delays, queue formation, and inefficient resource allocation. In this thesis, a machine learning model was developed to predict the duration of an MRI exam using information available at the time of scheduling. The model leveraged device-level timestamp data combined with patient information from an electronic health record (EHR) system. The model achieved a mean absolute error of 2-3 minutes across the studied protocols, which is notably smaller than error obtained when using protocol averages. Performance improved with larger training sets and greater variability in scan durations. Among predictive features, MRI device and other scanner-related factors consistently had the strongest influence, while patient-related factors such as referring unit and age were also notable contributors. By enabling more accurate duration estimates at scheduling, the model supports improved workflow planning, reduces patient waiting times, and enhances overall resource utilization in MRI departments.Magneettikuvaustutkimuksen (MRI) kesto voi vaihdella huomattavasti riippuen kuvattavasta kohteesta, valitusta protokollasta, potilaan ominaisuuksista ja laitteen teknisistä tekijöistä. Jopa saman protokollan sisällä esiintyy huomattavaa vaihtelua, mikä tekee keston ennustamisesta haastavaa. Tämä ennakoimattomuus johtaa usein viivästyksiin, jonojen muodostumiseen ja resurssien tehottomaan käyttöön. Tässä työssä kehitettiin koneoppimismalli, joka ennustaa yksittäisen MRI-tutkimuksen keston hyödyntäen tietoja, jotka ovat tutkimuksen ajanvaraushetkellä saatavilla. Malli perustuu laitetason aikaleimatietoja yhdistettynä potilastietoihin sähköisestä potilastietojärjestelmästä. Malli saavutti 2-3 minuutin keskimääräisen absoluuttisen virheen tutkituilla protokolla, mikä on selvästä pienempi kuin protokollan keskiarvoon perustuva virhe. Suurempi määrä opetusdataa ja laajempi keston varianssi paransivat mallin suorituskykyä. MRI-laite ja muut siihen liittyvät muuttujat olivat johdonmukaisesti eniten kuvausaikaan vaikuttavat tekijät, kun taas potilaaseen liittyvistä muuttujista lähettävä yksikkö ja potilaan ikä olivat keskesimmät vaikuttavat tekijät. Tarkempi MRI-kuvauksen keston ennustaminen jo ajanvaraushetkellä tukee työnkulun suunnittelua, vähentää potilaiden odotusaikaa ja parantaa resurssien käyttöä MRI-yksiköissä.Description
Supervisor
Renvall, HannaThesis advisor
Peltonen, JuhaSkog, Anna