નિમણૂક અને ક્ષમતા વ્યવસ્થાપન: નો-શો અંદાજ અને સ્માર્ટ શેડ્યુલિંગ

નફો:

• નો-શો રેટને અસર કરતા પરિબળોને સમજવાની ક્ષમતા અને જોખમ વર્ગીકરણ અને રીમાઇન્ડર ડ્રાફ્ટ્સ બનાવવા માટે કૃત્રિમ બુદ્ધિનો ઉપયોગ કરવાની ક્ષમતા
• આર્ટિફિશિયલ ઇન્ટેલિજન્સ સપોર્ટ સાથે દૃશ્યના આધારે બહારના દર્દીઓના ક્લિનિકની ક્ષમતા, સ્લોટ વિતરણ અને ઓવરબુકિંગ લોજિકની યોજના કરવાની ક્ષમતા
• કૃત્રિમ બુદ્ધિમત્તાનું આઉટપુટ આંકડાકીય સૂચન છે અને દર્દીના પ્રવેશ અધિકારો અને ન્યાયીપણાને ધ્યાનમાં રાખીને અંતિમ ચાર્ટ મેનેજરનો છે તે સુરક્ષિત કરવામાં સક્ષમ બનવું.

આઉટપેશન્ટ ક્લિનિક મેનેજમેન્ટના સૌથી નિરાશાજનક નુકસાન પૈકી એક એપોઇન્ટમેન્ટનો સમય છે જે ભરેલો દેખાય છે પરંતુ ખાલી રહે છે. દર્દી એપોઇન્ટમેન્ટ લે છે પણ દેખાતો નથી; તે સ્લોટ (એપોઇન્ટમેન્ટ સ્લોટ — ફિઝિશિયનનો ચોક્કસ સમયગાળામાં તપાસ કરવાનો અધિકાર) વેડફાય છે. તેને હેલ્થકેર મેનેજમેન્ટમાં નો-શો કહેવામાં આવે છે. સાર્વજનિક હોસ્પિટલમાં, બહારના દર્દીઓને નો-શો દર ઘણીવાર 20-30 ટકાની રેન્જમાં હોય છે; એટલે કે દર ચારમાંથી એક એપોઇન્ટમેન્ટ વેડફાય છે. આ બંને ચિકિત્સકના સમયનો બગાડ છે અને અન્ય દર્દીઓ કે જેઓ આવવા માંગે છે પરંતુ તેઓને સ્થાન મળતું નથી તેમની ઍક્સેસ ગુમાવવી. આ એકમમાં, અમે બે નોકરીઓ માટે AI નો ઉપયોગ કરીશું: નો-શોના જોખમની આગાહી કરવી અને આ આગાહીના આધારે બુદ્ધિપૂર્વક ક્ષમતા સુનિશ્ચિત કરવી. પરંતુ ચાલો શરૂઆતથી મર્યાદા સેટ કરીએ: AI સંભાવના અંદાજ ઉત્પન્ન કરે છે; કયા દર્દીને એપોઇન્ટમેન્ટ આપવામાં આવશે તે મેનેજરનો નિર્ણય છે, દર્દીના પ્રવેશના અધિકાર અને ન્યાયીપણાને ધ્યાનમાં રાખીને.

નો-શો શું નક્કી કરે છે?

નો-શો વર્તન રેન્ડમ નથી; ત્યાં ચોક્કસ પેટર્ન છે. આંતરરાષ્ટ્રીય અને સ્થાનિક અભ્યાસો વારંવાર નીચેના પરિબળો દર્શાવે છે: નિમણૂક અને પરીક્ષા વચ્ચેનો રાહ જોવાનો સમય જેટલો લાંબો હશે, તેટલી વધુ નો-શોની ઘટનાઓ; ખૂબ વહેલી સવારે અથવા મોડી સાંજે; નો-શો ઇતિહાસ (સૌથી મજબૂત આગાહી કરનાર); હવામાન પરિસ્થિતિઓ; દર્દીનું પરિવહન અંતર; શાખા (કેટલીક શાખાઓમાં, ક્રોનિક ફોલો-અપને કારણે હાજરી દર ઊંચો છે). AI આ પરિબળોને એક પછી એક યાદ રાખતું નથી; તે તમે જે ઐતિહાસિક માહિતી આપો છો તેમાંથી પેટર્ન કાઢે છે. પરંતુ સાવચેત રહો: ​​AI એક સંબંધ (સહસંબંધ) શોધે છે, કારણ (કારણ) નહીં. "મંગળવારે નો-શો વધુ હોય છે" એમ કહેવાનો અર્થ એ નથી કે મંગળવાર દોષિત છે; કદાચ અન્ય પરિબળ મંગળવારે રમતમાં છે.

ક્ષમતાની બાજુએ, બે ખ્યાલો મહત્વપૂર્ણ છે. સ્લોટ સ્પ્રેડ એ છે કે તમે દિવસના કયા સમયે કેટલી એપોઇન્ટમેન્ટ કરો છો. ઓવરબુકિંગ એ અપેક્ષિત નો-શોની ભરપાઈ કરવા માટે ક્ષમતા કરતાં સહેજ વધુ બુકિંગ છે — જેમ કે જ્યારે એરલાઇન્સ એરક્રાફ્ટનું ઓવરસેલ કરે છે. ઓવરબુકિંગ એ જુગાર નથી, તે એક ગણતરી કરેલ સંતુલન છે: જો તમે બહુ ઓછું કરો છો, તો ખાલી સ્લોટ્સ હશે, જો તમે વધારે કરો છો, તો દરેક વ્યક્તિ આવશે ત્યારે કતાર અને રાહ જોવી વિસ્ફોટ થશે. દૃશ્યો દ્વારા આ સંતુલન દર્શાવવામાં AI ખૂબ જ ઉપયોગી છે.

સ્ટેપ બાય સ્ટેપ: નો-શો અને ચાર્ટ એઆઈ સાથે કામ કરો

1. અનામી ડેટા તૈયાર કરો. કોઈ દર્દીનું નામ, ID, પ્રોટોકોલ નથી; ફક્ત અનામી ક્ષેત્રો જેમ કે "એપોઇન્ટમેન્ટનો સમય, શાખા, રાહ જોવાનો દિવસ, નો-શોની પાછલી સંખ્યા, આવી/દેખાતી નથી".
2. પેટર્ન બાદ કરો. AI ને સારાંશ આપવા માટે કહો કે નો-શો સાથે કયા પરિબળો હાથમાં આવે છે.
3. જોખમ બેન્ડ વ્યાખ્યાયિત કરો. દર્દીઓને "ઉચ્ચ/મધ્યમ/નીચા" નો-શો જોખમ તરીકે બેન્ડ કરો — વ્યવસ્થાપિત જૂથો, વ્યક્તિગત સ્કોર્સ નહીં.
4. હસ્તક્ષેપ સાથે મેળ. વધુ તીવ્ર રીમાઇન્ડર (SMS + કૉલ) ઉચ્ચ જોખમવાળા જૂથને, લવચીક સ્લોટ; ઓછા જોખમ માટે માનક રીમાઇન્ડર.
5. ઓવરબુકિંગનું દૃશ્ય સેટ કરો. અપેક્ષિત નો-શો રેટના આધારે કેટલી વધુ નિમણૂકો કરવામાં આવશે તેની ગણતરી કરો.
6. વહીવટી ફિલ્ટર. નિષ્પક્ષતા તપાસ: કોઈપણ દર્દી જૂથને પ્રવેશમાંથી બાકાત રાખવામાં આવતું નથી; ઓવરબુકિંગ વાજબી છે; મેનેજર અંતિમ સમયપત્રકને મંજૂરી આપે છે.

સાવધાન: જોખમનો સ્કોર ક્યારેય "આ દર્દી માટે એપોઇન્ટમેન્ટ લેવા" માટે ઉપયોગમાં લેવાતો નથી. સ્કોર ફક્ત રીમાઇન્ડરને ઘટ્ટ કરવા, ઍક્સેસની સુવિધા અને ક્ષમતાને સંતુલિત કરવા માટે છે. નહિંતર, તે દર્દીના અધિકારોનું ઉલ્લંઘન છે.

ત્રણ નાના કેસો

કેસ 1 - યાદ કરાવતી તીવ્રતા. પલ્મોનોલોજી આઉટપેશન્ટ ક્લિનિકમાં, નો-શો દર 28 ટકા હતો. ગુણવત્તા ટીમે YZ ને અનામી 6-મહિનાનો ડેટા આપ્યો અને જોખમ જૂથ નક્કી કર્યું: દર્દીઓ કે જેઓ 14 દિવસથી વધુ રાહ જોતા હતા અને ઓછામાં ઓછા એક વખત પહેલાં આવ્યા ન હતા. પરીક્ષાના 3 દિવસ અને 1 દિવસ પહેલા આ જૂથ પર બે-તબક્કાનો SMS + કૉલ લાગુ કરવામાં આવ્યો હતો. ત્રણ મહિના પછી, આ જૂથમાં નો-શો 28 ટકાથી ઘટીને 17 ટકા થઈ ગયા; સામાન્ય આઉટપેશન્ટ ક્લિનિક નો-શો દર ઘટીને 21 ટકા થયો છે. ખાલી જગ્યાઓ ઘટી છે અને વેઇટિંગ લિસ્ટ ટૂંકી થઈ છે.

કેસ 2 - મધ્યમ ઓવરબુકિંગ. એક ડર્મેટોલોજી ક્લિનિકમાં દરરોજ 40 સ્લોટ હતા, જેમાં સરેરાશ 25 ટકા (એટલે ​​​​કે ~10 ખાલી) નો-શો દર હતો. મેનેજરે એઆઈને ઓવરબુકિંગની સ્થિતિ માટે પૂછ્યું. AI એ ત્રણ દૃશ્યો આપ્યા: +4 એપોઇન્ટમેન્ટ (ઓછું જોખમ, સહેજ કતારની સંભાવના), +8 (સંતુલિત), +12 (આક્રમક, ગંભીર રાહ જો દરેક વ્યક્તિ દેખાય). મેનેજરે +6 થી શરૂઆત કરી; એક મહિના સુધી જોયું. મફત સ્લોટ્સ 25 ટકાથી ઘટીને 9 ટકા થયા છે, જ્યારે સરેરાશ વધારાની રાહ માત્ર 7 મિનિટ વધી છે. નિર્ણય માણસનો હતો; AI એ ફક્ત વિકલ્પો દૃશ્યમાન કર્યા છે.

કેસ 3 - દુરુપયોગથી પાછા ફરો. એક યુનિટમાં, એક કર્મચારી એઆઈ રિસ્ક સ્કોરનું અર્થઘટન કરવા માંગતો હતો કારણ કે "ઉચ્ચ જોખમવાળા લોકોને એપોઇન્ટમેન્ટ ન આપવી જોઈએ". ગુણવત્તા અધિકારીએ આના પર વાંધો ઉઠાવ્યો: આ સિસ્ટમમાંથી વંચિત (પહોંચવામાં મુશ્કેલ, ઓછી આવક ધરાવતા) ​​દર્દીઓને બાકાત રાખશે અને તે નૈતિક અને કાનૂની ઉલ્લંઘન છે. સ્કોરનો ઉપયોગ બાકાત રાખવા માટે થતો ન હતો, પરંતુ લવચીક નિમણૂક અને વધારાના રીમાઇન્ડર્સ માટે કરવામાં આવ્યો હતો જેણે તે દર્દી સુધી પહોંચવાનું સરળ બનાવ્યું હતું.

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

1) નો-શો ફેક્ટર વિશ્લેષણ:

તમારી ભૂમિકા: આઉટપેશન્ટ ઓપરેશન એનાલિસ્ટ માટે સહયોગી સહાયક. નીચે અનામી એપોઈન્ટમેન્ટ ડેટા (કોઈ નામ/ઓળખ નથી): એપોઈન્ટમેન્ટનો સમય, શાખા, રાહ જોવાનો દિવસ, અગાઉના નો-શો, પરિણામ (બતાવેલ/ના-બતાવેલ). કાર્ય: (1) 5 પરિબળોની સૂચિ બનાવો જે સૌથી વધુ મજબૂત રીતે નો-શો સાથે સહભાગી બને છે, (2) દરેક માટે એક-વાક્યની સમજૂતી લખો, (3) જણાવો કે આ સહસંબંધ છે, કાર્યકારણનો દાવો કરતા નથી. એવા કોઈ નંબરો બનાવશો નહીં જેના માટે મેં ડેટા આપ્યો નથી.

2) રિસ્ક બેન્ડ અને ઇન્ટરવેન્શન મેચિંગ:

સરળ, પારદર્શક નિયમો સૂચવો (બ્લેક બોક્સ નહીં, સમજાવી શકાય તેવા થ્રેશોલ્ડ) જે દર્દીઓને ઉપરની પેટર્નના આધારે નિષ્ફળતાના ઉચ્ચ/મધ્યમ/નીચા જોખમના 3 બેન્ડમાં વિભાજિત કરશે. દરેક બેન્ડ માટે, રીમાઇન્ડર/સુવિધા દરમિયાનગીરી સૂચવો જે ઍક્સેસને અટકાવે છે. કોઈ સૂચન દર્દીને નિમણૂકમાંથી બાકાત રાખવો જોઈએ નહીં.

3) ઓવરબુકિંગનું દૃશ્ય:

દૈનિક સ્લોટ: 40. સરેરાશ નો-શો રેટ: 25.3% ઓવરબુકિંગનું દૃશ્ય જનરેટ કરો (રૂઢિચુસ્ત/સંતુલિત/આક્રમક). દરેક દૃશ્ય માટે: કુલ અપોઇન્ટમેન્ટ્સ, અપેક્ષિત આવતા દર્દીઓ, જો દરેક વ્યક્તિ દેખાય તો ઓવરલોડ થશે, અને અંદાજિત વધારાની રાહ જોવી. ગણતરીના સૂત્રો બતાવો જેથી હું તેને મેન્યુઅલી ચકાસી શકું.

4) રીમાઇન્ડર સંદેશ ડ્રાફ્ટ:

ઉચ્ચ જોખમવાળા જૂથને મોકલવા માટે નમ્ર અને સ્પષ્ટ SMS રીમાઇન્ડર (160 અક્ષરોથી ઓછા) લખો. એપોઇન્ટમેન્ટ રદ/સ્થગિત કરવાની સરળ રીત પ્રદાન કરો. આક્ષેપાત્મક ભાષાનો ઉપયોગ કરશો નહીં. ટર્કિશ, ઔપચારિક પરંતુ ગરમ.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

નો-શો ઘટાડો.

આ વિનંતી સંદર્ભ-મુક્ત છે: તે સ્પષ્ટ નથી કે કઈ શાખા, કયો ડેટા, કયો અવરોધ; AI સામાન્ય, બિનકાર્યક્ષમ સલાહ આપે છે.

શક્તિશાળી પ્રોમ્પ્ટ:

અમારા ડર્મેટોલોજી આઉટપેશન્ટ ક્લિનિકમાં દરરોજ 40 સ્લોટ્સ છે અને સરેરાશ નો-શો દર 25% છે. મારી પાસે 6 મહિનાનો અનામી એપોઇન્ટમેન્ટ ડેટા છે. હું ઍક્સેસ અધિકાર સાચવીને મફત સ્લોટ ઘટાડવા માંગુ છું. મને (1) 3-બેન્ડ જોખમ નિયમ આપો, (2) દરેક બેન્ડ માટે યોગ્ય રીમાઇન્ડર તીવ્રતા, (3) +6 ઓવરબુકિંગ દૃશ્યની અપેક્ષિત અસર.

અભિગમ

ખાલી સ્લોટ

દર્દીની પહોંચ

નૈતિક જોખમ

કંઈ ન કરો

ઉચ્ચ

તટસ્થ

ના પણ કચરો છે

જોખમી લોકો માટે વધારાના રીમાઇન્ડર

ધોધ

સુરક્ષિત/વધારેલ

કોઈ નહિ

મધ્યમ ઓવરબુકિંગ

નોંધપાત્ર રીતે ટીપાં

સહેજ પૂંછડી જોખમ

ઓછું, જોવું જોઈએ

જોખમી લોકો માટે એપોઇન્ટમેન્ટ ન લેવી

ધોધ

ઉલ્લંઘન કરવામાં આવે છે

ઉચ્ચ - શક્ય નથી

સામાન્ય ભૂલો

• સ્કોરને બાકાત રાખવાના સાધન તરીકે ભૂલ કરવી. જોખમનો સ્કોર દર્દીને દૂર કરવાનો નથી, પરંતુ તેના સુધી પહોંચવાનો છે.
• અતિશય ઓવરબુકિંગ. નો-શો રેટમાં અતિશયોક્તિ અને ઘણી બધી એપોઇન્ટમેન્ટ લેવાથી કતાર અને ફરિયાદો વધશે.
• કાર્યકારણ માટે સહસંબંધની ભૂલ. "મંગળવાર જોખમી છે" કહેવાનો અર્થ મંગળવાર પર પ્રતિબંધ મૂકવાનો નથી; જાણો તેની પાછળનું સાચું કારણ.
• એક સત્ર ડેટા સાથે નિર્ણય. એક મહિનાના ડેટાના આધારે કાયમી નિયમો બનાવવા એ ભ્રામક છે; ઓછામાં ઓછા થોડા મહિનાની પેટર્ન આવશ્યક છે.
• ન્યાય તપાસ બાયપાસ. ખાતરી કરો કે હસ્તક્ષેપ વંચિત જૂથોને બાકાત રાખતો નથી.

ટીપ: હંમેશા નાના પગલાથી ઓવરબુકિંગ શરૂ કરો (દા.ત. +2/+3) અને તેને એક અઠવાડિયા સુધી અનુસરો, પછી વધારો. AI નું દૃશ્ય એક આગાહી છે; ફીલ્ડમાં તમારા વાસ્તવિક નો-શો રેટ માટે તમારે દૃશ્ય અપડેટ કરવાની જરૂર છે.

સારાંશમાં

નો-શો એ બહારના દર્દીઓની ક્ષમતાનો શાંત દુશ્મન છે. AI એ ઐતિહાસિક અનામી ડેટામાંથી નો-શો પેટર્ન કાઢવામાં અને દર્દીઓને જોખમ બેન્ડમાં સ્તરીકરણ કરવામાં અને ઓવરબુકિંગના દૃશ્યોને દૃશ્યમાન બનાવવા માટે એક શક્તિશાળી સહાય છે. પરંતુ ઉત્પાદિત દરેક વસ્તુ સંભાવનાનો અંદાજ છે. જોખમનો સ્કોર ક્યારેય બાકાત રાખવાનું સાધન નથી; રીમાઇન્ડર અને સુવિધા માટે જે ઍક્સેસને સુરક્ષિત કરે છે. ઓવરબુકિંગ સસ્તું અને માપવામાં આવવું જોઈએ અને નાના પગલામાં પરીક્ષણ કરવું જોઈએ. વાજબીતા અને દર્દીના અધિકારોને ધ્યાનમાં રાખીને અંતિમ ચાર્ટ એડમિનિસ્ટ્રેટરનો છે.

એપ્લિકેશન કાર્ય

તમારા યુનિટ (અથવા કાલ્પનિક) માંથી દરરોજ સ્લોટની સંખ્યા અને સરેરાશ નો-શો રેટ મેળવો. ઉપરના "ઓવરબુકિંગ દૃશ્ય" ટેમ્પ્લેટ સાથે ત્રણ દૃશ્યો માટે AI ને પૂછો. પછી ફોર્મ્યુલાને મેન્યુઅલી ચકાસો (દા.ત. 40 સ્લોટ, 25% નો-શો → અપેક્ષિત 30 નો-શો; જો +6 46 એપોઇન્ટમેન્ટ આપે છે, અપેક્ષિત ~34-35 નો-શો). તમે કયું દૃશ્ય પસંદ કર્યું અને શા માટે 5 વસ્તુઓમાં લખો; ઔચિત્યની તપાસ પણ ઉમેરો.

ચેકલિસ્ટ

• [ ] શું મેં ડેટાને અનામ કર્યો છે (કોઈ નામ/આઈડી/પ્રોટોકોલ નથી)?
• [ ] શું મેં રિસ્ક સ્કોરનો ઉપયોગ એક્સક્લુઝન નહીં પણ એક્સેસ-પ્રિઝર્વિંગ ઇન્ટરવેન્શન માટે કર્યો છે?
• [ ] શું મેં ફોર્મ્યુલા સાથે ઓવરબુકિંગની સ્થિતિને મેન્યુઅલી ચકાસી છે?
• [ ] શું મેં નાના પગલામાં ઓવરબુકિંગ શરૂ કર્યું છે અને મોનિટરિંગ પ્લાન સેટ કર્યો છે?
• [ ] શું મેં ફેરનેસ ફિલ્ટર દ્વારા અંતિમ સમયપત્રક પસાર કર્યું છે અને તેને મેનેજરની મંજૂરીને આધીન કર્યું છે?