Predicción de no presentarse a la hora del estudio agendado utilizando Machine Learning

(Alejandro Mauro) #1

En todo el mundo el agendar pacientes y que no se presenten es un gran problema. Las razones son multidimensionales y complejas de analizar por los métodos tradicionales.

Investigadores de Reino Unido tuvieron una idea. Analizaron 137 variables del sistema RIS para los agendamientos de resonancia magnética nuclear y aplicaron diferentes algoritmos de Machine Learning para identificar cuál era el mejor algoritmo para predecir que el paciente no iba a llegar a la cita acordada.

Link al estudio
https://doi.org/10.1038/s41746-019-0103-3

Utilizaron 22.318 citas a Resonancia Magnética (de enero 2014 a diciembre 2016) y analizaron las 137 variables. Finalmente, eligieron 81 variables que son las que predicen mejor que el paciente no va a llegar. La mejor técnica de aprendizaje automático fue el Gradient Boosting https://es.wikipedia.org/wiki/Gradient_boosting

Las 81 variables elegidas

  • Appointment day Saturday
  • Appointment month April
  • Appointment month August
  • Appointment month December
  • Appointment month June
  • Appointment month March
  • Appointment month November
  • Clinic appointment count
  • Days from referral to appointment
  • Direct access appointment count
  • First Appointment count
  • Follow up appointment count
  • Geodesic distance from home address to scan
  • Home address count
  • Imaging appointment count
  • Junior staff appointment count
  • Outpatient appointment count
  • Outpatient procedure appointment count
  • Patient address latitude
  • Patient address longitude
  • Previous imaging DNA count
  • Previous non-imaging DNA count
  • Previous scan count
  • Referral day Sunday
  • Referral day Thursday
  • Referral day Tuesday
  • Referral month April
  • Referral month August
  • Referral month December
  • Referral month January
  • Referral month March
  • Referral month May
  • Referral month October
  • Referral month September
  • Scan type abdomen
  • Scan type ankle
  • Scan type arm
  • Scan type brachial
  • Scan type breast
  • Scan type carotids
  • Scan type cervical spine
  • Scan type cholangiopancreatography
  • Scan type contrast
  • Scan type cranial nerves
  • Scan type defecating proctogram
  • Scan type elbow
  • Scan type extracranial
  • Scan type foot
  • Scan type gadolinium
  • Scan type gamma knife
  • Scan type hand
  • Scan type head
  • Scan type hips
  • Scan type humerus
  • Scan type internal auditory meati
  • Scan type knee
  • Scan type leg
  • Scan type liver
  • Scan type lumbar spine
  • Scan type neck
  • Scan type pelvis
  • Scan type penis
  • Scan type pituitary
  • Scan type prostate
  • Scan type sacroiliac joint
  • Scan type shoulder
  • Scan type small bowel
  • Scan type temporal lobe
  • Scan type thoracic spine
  • Scan type thorax
  • Scan type time of flight
  • Scan type trigeminal nerve
  • Scan type whole body
  • Scan type whole spine
  • Scan type wrist
  • Senior staff appointment count
  • Telephone appointment count
  • Total cost of patient appointments
  • Unique consultant count
  • Unique specialties count
  • Unique subspecialties count

Resultados
El algoritmo lograba predecir que el paciente no iba a llegar a la cita con un AUC = 0,852 y una precisión de 0,511

¿Para qué sirve?
Hoy, como no se sabe quién será fiel a la cita y llegará y quién no, se utilizan métodos de confirmación de citas que muchas veces requiere que una persona llame al paciente para confirmar la cita, y en general, requiere múltiples intentos para lograr confirmar.

Utilizando un algoritmo como el descrito en este estudio, uno podría únicamente llamar y confirmar a quienes tienen alta probabilidad de no ir a la cita y ahorrar los costos de confirmar pacientes que van a ir sí o sí.