根据 ARRS 的《美国伦琴学杂志》(AJR) 的说法，人工智能 (AI) 预测分析在解决复杂的多因素操作问题(尤其是门诊 MRI 预约缺席)方面表现良好，使用适量的数据和基本特征工程。

新加坡樟宜综合医院的主要作者 Le Roy Chong 写道：“这些数据可以很容易地从大多数医院放射科常用的一线信息技术系统中检索出来，并且可以很容易地将它们纳入日常工作流程实践中，以提高医疗保健服务的效率和质量。”

为了训练和验证他们的模型，Chong 和同事从其机构的放射学信息系统中提取了 2016 年 1 月至 2018 年 12 月期间计划的 32,957 例门诊 MRI 预约记录，同时获取了 2019 年 1 月以来的 1,080 条记录的进一步保留测试集。总体而言，缺席率为 17.4%。

在评估了使用广泛使用的开源软件工具开发的各种机器学习预测模型后，Chong 和团队部署了一种基于决策树的集成算法，该算法使用梯度提升框架：XGBoost，版本 0.80 [Tianqi Chen]。

正如Chong等人。解释说，“对模型预测的未出现预约风险最高的 25% 的患者使用电话提醒的简单干预措施已实施了 6 个多月。”

部署六个月后，预测模型的缺席率为 15.9%，而干预前 12 个月的缺席率为 19.3%，与基线缺席率相比提高了 17.2%(p < 0.0001)。模型预测，预约缺席高风险组中可接触和不可接触患者的缺席率分别为 17.5% 和 40.3% (p < 0.0001)。