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.