利益:
- ノーショー率に影響を与える要因を理解し、人工知能を使用してリスク分類とリマインダーの下書きを作成する能力
- 人工知能のサポートにより、シナリオベースで外来診療所の収容力、スロット配分、オーバーブッキングロジックを計画する機能
- 患者のアクセス権と公平性を考慮して、人工知能の出力が統計的な提案であり、最終的なグラフが管理者のものであることを保護できること。
外来診療所の管理で最もイライラする損失の 1 つは、予約時間がいっぱいであるように見えても空いているままになってしまうことです。患者が予約を入れたが現れない。その枠（予約枠、つまり一定期間内に診察を受ける医師の権利）は無駄になります。これを医療管理ではノーショーといいます。公立病院では、外来患者のノーショー率は 20 ～ 30% の範囲であることがよくあります。つまり、4 件に 1 件の約束が無駄になっているということになります。これは医師の時間の無駄であると同時に、来院したくても場所が見つからない他の患者のアクセスを失うことになります。この単元では、ノーショウのリスクを予測することと、この予測に基づいてキャパシティーをインテリジェントにスケジュールすることという 2 つのジョブに AI を使用します。しかし、最初から限界を設定しましょう。AI は確率推定値を生成します。どの患者に予約を与えるかは、患者のアクセス権と公平性を考慮して、管理者が決定します。
ノーショーは何によって判断されますか?
ノーショーの行動はランダムではありません。一定のパターンがあります。国際的および現地の研究では、次の要因が頻繁に示されています。予約から検査までの待ち時間が長くなるほど、ノーショーの発生率が高くなります。早朝または深夜。ノーショー履歴（最も強力な予測因子）。気象条件。患者の移動距離。支店（一部支店では継続的なフォローにより出勤率が高い） AI はこれらの要素を 1 つずつ記憶するわけではありません。与えられた履歴データからパターンを抽出します。ただし、注意してください。AI は原因 (因果関係) を見つけるのではなく、関係 (相関関係) を見つけます。 「火曜日のノーショーが多い」と言っても、火曜日が悪いというわけではありません。おそらく火曜日には別の要因が作用しているのでしょう。
容量の面では、2 つの概念が重要です。スロットスプレッドとは、1日のどの時間帯にどれだけの予約を入れるかを表します。オーバーブッキングとは、航空会社が航空機を過剰に販売する場合など、予想されるノーショウを補うために定員をわずかに超えて予約することです。オーバーブッキングはギャンブルではなく、計算されたバランスです。予約が少なすぎると、空き枠が生じますが、予約が多すぎると、全員が到着したときに列と待機が爆発的に増加します。 AI は、シナリオを通じてこのバランスを示すのに非常に役立ちます。
ステップバイステップ: AI を使用したノーショーとチャートの作業
- 匿名データを準備します。患者名、ID、プロトコルはありません。 「予約時間、支店、待ち時間、過去のノーショー数、来た/来なかった」などの匿名フィールドのみ。
- パターンを差し引きます。 AI にノーショーと関連する要因を要約してもらいます。
- リスクバンドを定義します。患者を「高/中/低」のノーショーリスクとして分類します。これは、個人のスコアではなく、管理可能なグループです。
- 介入を調整します。高リスクグループへのより強力なリマインダー (SMS + 電話)、柔軟なスロット。低リスクに対する標準的なリマインダー。
- オーバーブッキングのシナリオを設定します。予想されるノーショー率に基づいて、あと何回の予約が行われるかをシナリオで計算させます。
- 管理用フィルター。公平性チェック: アクセスから除外される患者グループはありません。オーバーブッキングは妥当です。マネージャーは最終スケジュールを承認します。
注意: リスク スコアは、「この患者の予約を行う」ために使用されることはありません。スコアは、リマインダーを要約し、アクセスを容易にし、容量のバランスをとることのみを目的としています。そうでなければ、それは患者の権利の侵害です。
ミニケース3個
ケース 1 — 思い出させる強度。呼吸器科の外来診療所におけるノーショー率は 28% でした。品質チームは匿名の 6 か月データを YZ に提供し、リスク グループを決定しました。14 日以上待機し、これまでに一度も来なかった患者です。このグループには、検査の 3 日前と 1 日前に 2 段階の SMS + 通話が適用されました。 3 か月後、このグループのノーショウ率は 28 パーセントから 17 パーセントに減少しました。一般外来診療所のノーショー率は 21% に減少しました。空き枠が減り、待機リストも短縮されました。
ケース 2 — 中程度のオーバーブッキング。ある皮膚科クリニックには 1 日あたり 40 の枠があり、平均ノーショー率は 25 パーセントでした（つまり、最大 10 の空き）。マネージャーはAIにオーバーブッキングのシナリオを尋ねました。 AI は 3 つのシナリオを与えました: +4 (低リスク、わずかな行列確率)、+8 (バランス)、+12 (積極的、全員が現れたら真剣に待つ)。マネージャーは +6 からスタートしました。 1か月間見ました。無料スロットは 25 パーセントから 9 パーセントに減少しましたが、平均追加待機時間はわずか 7 分増加しました。決断は人間のものだった。 AI は選択肢を可視化しただけです。
ケース 3 — 誤用からの復帰。ある部門では、従業員が AI リスク スコアを「リスクの高い人には予約を与えるべきではない」と解釈したいと考えていました。品質担当官はこれに反対し、これは恵まれない（接触が困難で低所得の）患者を制度から排除するものであり、倫理的にも法的にも違反であると述べた。このスコアは除外のためではなく、柔軟な予約や、その患者への連絡を容易にする追加のリマインダーとして使用されました。
コピー可能な 4 つのテンプレート
1) ノーショー要因分析:
あなたの役割: 外来業務アナリストのアシスタントアシスタント。以下は匿名の予約データ (名前/身元なし) です: 予約時間、支店、待機日、前回の不参加、結果 (出席/不参加)。課題: (1) ノーショーと最も強く共起する 5 つの要因を挙げてください。(2) それぞれについて一文で説明してください。(3) これは相関関係であり、因果関係を主張するものではないと述べてください。私がデータを与えていない数字をでっち上げないでください。
2) リスクバンドと介入のマッチング:
上記のパターンに基づいて、患者を失敗リスクの高/中/低の 3 つの帯域に分ける、シンプルで透明なルール (ブラック ボックスや説明可能なしきい値ではない) を提案します。各バンドに対して、アクセスを防ぐリマインダー/促進介入を提案します。いかなる提案も患者を予約から除外すべきではありません。
3) オーバーブッキングのシナリオ:
1 日のスロット数: 40。平均ノーショー率: 25.3% オーバーブッキング シナリオを生成します (保守的/バランス型/積極的)。各シナリオ: 行われる予定の合計、予想される来院患者数、全員が来院した場合に発生する過負荷、推定される追加待機時間。手動で確認できるように計算式を示してください。
4) リマインダーメッセージの下書き:
高リスクグループに送信する、丁寧かつ明確な SMS リマインダー (160 文字未満) を作成します。予定をキャンセル/延期する簡単な方法を提供します。非難的な言葉を使わないでください。トルコ風、フォーマルだけど温かい。
弱いプロンプト / 強いプロンプト
弱いプロンプト:
ノーショーを減らします。
このリクエストはコンテキストフリーです。どのブランチ、どのデータ、どの制約が明確ではありません。 AI は一般的で実行不可能なアドバイスを提供します。
強力なプロンプト:
当院の皮膚科外来は1日40枠あり、平均ノーショー率は25％です。 6 か月分の匿名の予約データがあります。アクセス権を維持したまま空きスロットを減らしたい。 (1) 3 バンドのリスク ルール、(2) 各バンドの適切なリマインダーの強度、(3) +6 のオーバーブッキング シナリオの予想される影響を教えてください。
アプローチ
空のスロット
患者のアクセス
倫理的リスク
何もしない
高い
中立的な
いや、でも無駄はあるよ
危険な人々への追加の注意事項
落ちる
保護/増加
なし
中程度のオーバーブッキング
著しく低下する
わずかなテールリスク
低い、必見
リスクのある人には予約を取らない
落ちる
違反されています
高 — 不可能
よくある間違い
- スコアを除外の手段と誤解する。リスクスコアは患者を排除するものではなく、患者に到達するものです。
- 極端なオーバーブッキング。ノーショー率を誇張したり、予約を取りすぎたりすると、行列が増え、苦情が増えることになります。
- 相関関係を因果関係と勘違いする。 「火曜日は危険だ」と言っても、火曜日を禁止するという意味ではありません。その背後にある本当の理由を調べてください。
- 単一セッションデータによる決定。 1 か月分のデータに基づいて永続的なルールを作成するのは誤解を招きます。少なくとも数か月のパターンが必要です。
- 正義のチェックを回避します。介入によって不利な立場にあるグループが排除されていないことを必ず確認してください。
ヒント: 常に小さなステップ (+2/+3 など) からオーバーブッキングを開始し、1 週間続けてから増加させます。 AI のシナリオは予測です。現場での実際のノーショウ率を考慮するには、シナリオを更新する必要があります。
要約すれば
ノーショウは外来患者の収容力にとって静かな敵です。 AI は、匿名化された過去のデータからノーショウ パターンを抽出し、患者をリスク バンドに階層化し、オーバーブッキング シナリオを可視化する強力な支援となります。しかし、生成されるものはすべて確率の推定値です。リスク スコアは決して除外ツールではありません。アクセスを保護するためのリマインダーと促進用。オーバーブッキングは手頃な価格で、測定し、小さな段階でテストする必要があります。公平性と患者の権利を考慮し、最終的なカルテは管理者に帰属します。
アプリケーションタスク
あなたのユニット (または仮説) から 1 日あたりのスロット数と平均ノーショウ率を取得します。上記の「オーバーブッキング シナリオ」テンプレートを使用して、AI に 3 つのシナリオを依頼します。次に、式を手動で検証します (例: 40 スロット、25% のノーショー → 予想されるノーショーは 30 人。+6 で 46 件のアポイントが得られる場合、予想されるノーショーは ~34 ～ 35 人)。どのシナリオを選択したのか、その理由を 5 つの項目に記入してください。公平性チェックも追加します。
チェックリスト
- [ ] データを匿名化しましたか (名前/ID/プロトコルなし)?
- [ ] リスクスコアを除外ではなくアクセス維持介入に使用しましたか?
- [ ] 数式を使用してオーバーブッキング シナリオを手動で検証しましたか?
- [ ] オーバーブッキングを少しずつ開始し、監視計画を立てましたか?
- [ ] 最終スケジュールを公平性フィルターに通過させ、マネージャーの承認を受けましたか?