根据ARRS ' American Journal of Roentgenology(AJR)，人工智能预测分析在解决复杂的多因素操作问题方面表现适度良好，门诊MRI预约无表演，特别是使用少量数据和基本地物工程。

新加坡樟宜综合医院( General Hospital)的第一作者黎罗伊(Le Roy Chong)写道， “这类数据可能很容易从大多数医院放射科常用的前线信息技术系统中检索出来，也很容易被纳入日常工作流程，以提高医疗服务的效率和质量。 ”

为了培训和验证他们的模型，郑月和同事们从其所在机构的放射信息系统中提取了32957名计划在2016年1月至2018年12月期间进行的门诊MRI预约的记录，同时从2019年1月起又获得了一套1080名记录的拒绝测试数据。总体而言，没有表演的比率为17.4% 。

在评价了广泛使用的开源软件工具开发的各种机器学习预测性模型后，钟和团队采用了一种基于决策树的复合算法，使用了梯度提升框架： XGBoost ， 0.80版[天齐陈] 。

Chong等人"该模型预测，对预约风险最高的25%的病人使用电话提醒的简单干预措施是在6个月内实施的" 。

部署6个月后，预测模型的无显示率是15.9% ，而前12个月干预前期间为19.3% ，与基线无显示率相比提高了17.2%(p<0.0001)。模型预测，在极有可能预约无症状的群体中，无症状的可接触性和非接触性病人的比率分别为17.5%和40.3%（p<0.0001）。

“我们认为，本研究的主要优势在于它的经验性方法，因为缺乏量化实际工作流程实施影响的公开文献，而以前的研究预测了将机器学习技术应用于这个问题的潜在好处， ”本文作者总结道。"我们研究的目的不是要产生一个高度复杂的模型，而是要产生一个可以相对较快地开发出来的模型，它需要最少的数据处理，在工作流程实践中可以随时部署，以提高质量" 。