Zyski:
- Umiejętność zrozumienia czynników wpływających na odsetek niestawiennictwa i wykorzystania sztucznej inteligencji do tworzenia klasyfikacji ryzyka i projektów przypomnień
- Możliwość planowania pojemności przychodni, dystrybucji slotów i logiki overbookingu na podstawie scenariuszy ze wsparciem sztucznej inteligencji
- Możliwość zabezpieczenia tego, że wyniki sztucznej inteligencji są sugestią statystyczną i że ostateczny wykres należy do menedżera, biorąc pod uwagę prawa dostępu pacjentów i uczciwość.
Jedną z najbardziej frustrujących strat w zarządzaniu przychodnią jest termin wizyty, który wydaje się pełny, ale pozostaje pusty. Pacjent umawia się na wizytę, ale się nie pojawia; ten termin (termin wizyty – prawo lekarza do badania w określonym terminie) zostaje zmarnowany. Nazywa się to niestawieniem się w zarządzaniu opieką zdrowotną. W szpitalu publicznym odsetek niestawienia się pacjentów ambulatoryjnych często waha się w granicach 20–30 procent; Oznacza to, że co czwarta wizyta jest marnowana. Jest to zarówno strata czasu lekarza, jak i utrata dostępu dla innych pacjentów, którzy chcą przyjść, ale nie mogą znaleźć miejsca. W tej jednostce będziemy wykorzystywać sztuczną inteligencję do dwóch zadań: przewidywania ryzyka niestawienia się i inteligentnego planowania wydajności w oparciu o tę prognozę. Ale ustalmy granicę od początku: sztuczna inteligencja szacuje prawdopodobieństwo; To, który pacjent zostanie przyjęty na wizytę, należy do kierownika, biorąc pod uwagę prawo pacjenta do dostępu i uczciwości.
Co decyduje o niestawieniu się?
Niestawienie się nie jest przypadkowe; Istnieją pewne wzorce. Badania międzynarodowe i lokalne często wykazują następujące czynniki: im dłuższy czas oczekiwania między wizytą a badaniem, tym większa częstość niestawienia się; bardzo wcześnie rano lub późnym wieczorem; historia niepojawień (najsilniejszy czynnik predykcyjny); warunki atmosferyczne; odległość transportu pacjenta; oddziału (w niektórych oddziałach frekwencja jest wysoka ze względu na chroniczne monitorowanie). AI nie zapamiętuje tych czynników jeden po drugim; Wydobywa wzorce z danych historycznych, które mu przekazujesz. Ale bądź ostrożny: sztuczna inteligencja znajduje związek (korelację), a nie przyczynę (przyczynowość). Twierdzenie, że „niestawienia się we wtorki są częste” nie oznacza, że wtorek jest winny; Być może we wtorki w grę wchodzi inny czynnik.
Jeśli chodzi o pojemność, kluczowe znaczenie mają dwie koncepcje. Rozpiętość przedziałów to liczba spotkań, które umawiasz o jakiej porze dnia. Overbooking to rezerwacja nieco większa niż pojemność, aby zrekompensować oczekiwane niestawienie się na lot – na przykład wtedy, gdy linie lotnicze sprzedają samoloty za dużo. Overbooking to nie hazard, to wyrachowany balans: jeśli zrobisz za mało, pozostaną puste miejsca, jeśli zrobisz za dużo, kolejka i oczekiwanie eksplodują, gdy wszyscy przyjdą. Sztuczna inteligencja jest bardzo przydatna w demonstrowaniu tej równowagi za pomocą scenariuszy.
Krok po kroku: brak obecności i praca z wykresami z wykorzystaniem sztucznej inteligencji
- Przygotuj anonimowe dane. Brak nazwiska pacjenta, identyfikatora, protokołu; tylko anonimowe pola, takie jak „godzina wizyty, oddział, dzień oczekiwania, poprzednia liczba niestawiennictwa, przyszedł/nie pojawił się”.
- Odejmij wzór. Poproś sztuczną inteligencję o podsumowanie, jakie czynniki idą w parze z niestawieniem się.
- Zdefiniuj pasmo ryzyka. Oznacz pacjentów jako „wysokie/średnie/niskie” ryzyko niestawienia się na badanie – grupy możliwe do kontrolowania, a nie indywidualne wyniki.
- Dopasuj interwencję. Bardziej intensywne przypomnienie (SMS + połączenie) do grupy wysokiego ryzyka, elastyczny termin; Standardowe przypomnienie o niskim ryzyku.
- Skonfiguruj scenariusz overbookingu. Niech scenariusze obliczą, o ile więcej spotkań zostanie umówionych na podstawie oczekiwanego wskaźnika niestawienia się.
- Filtr administracyjny. Kontrola uczciwości: żadna grupa pacjentów nie jest wykluczona z dostępu; overbooking jest rozsądny; Menedżer zatwierdza ostateczny harmonogram.
Przestroga: Ocena ryzyka nigdy nie jest wykorzystywana do „umawiania wizyty dla tego pacjenta”. Wynik ma jedynie skondensować przypomnienie, ułatwić dostęp i zrównoważyć pojemność. W przeciwnym razie jest to naruszenie praw pacjenta.
trzy mini etui
Przypadek 1 — Intensywność przypominania. W przychodni pulmonologicznej wskaźnik niestawienia się na wizytę wyniósł 28 procent. Zespół ds. jakości przekazał YZ anonimowe dane za 6 miesięcy i określił grupę ryzyka: Pacjenci, którzy czekali dłużej niż 14 dni i nie pojawili się wcześniej przynajmniej raz. W tej grupie zastosowano dwuetapowy SMS + połączenie telefoniczne na 3 dni i 1 dzień przed badaniem. Po trzech miesiącach liczba niepojawień w tej grupie spadła z 28 do 17 procent; Wskaźnik niepojawień w przychodni ogólnej spadł do 21 procent. Zmniejszyła się liczba wolnych miejsc, a lista oczekujących uległa skróceniu.
Przypadek 2 – Umiarkowane overbooking. Jedna klinika dermatologiczna miała 40 miejsc dziennie, a średni wskaźnik niepojawień wynosił 25 procent (tj. około 10 wolnych miejsc). Menedżer poprosił sztuczną inteligencję o scenariusz overbookingu. Sztuczna inteligencja podała trzy scenariusze: spotkanie +4 (niskie ryzyko, niewielkie prawdopodobieństwo kolejki), +8 (zrównoważone), +12 (agresywne, poważne oczekiwanie, jeśli wszyscy się pojawią). Menedżer zaczął od +6; oglądałem przez miesiąc. Liczba bezpłatnych automatów spadła z 25 procent do 9 procent, podczas gdy średni dodatkowy czas oczekiwania wzrósł zaledwie o 7 minut. Decyzja należała do mężczyzny; AI właśnie pokazała opcje.
Przypadek 3 — Powrót po nadużyciu. W jednej jednostce pracownik chciał zinterpretować ocenę ryzyka AI jako „osobom wysokiego ryzyka nie należy umawiać się na wizytę”. Urzędnik ds. jakości sprzeciwił się temu: wykluczałoby to z systemu pacjentów znajdujących się w niekorzystnej sytuacji (trudnych do osiągnięcia, o niskich dochodach) i stanowiłoby naruszenie zarówno etyczne, jak i prawne. Wynik nie służył do wykluczenia, ale do elastycznego umawiania wizyt i dodatkowych przypomnień, które ułatwiały dotarcie do pacjenta.
Cztery szablony do kopiowania
1) Analiza czynnikowa braku obecności:
Twoja rola: asystent asystenta analityka operacyjnego pacjentów ambulatoryjnych. Poniżej znajdują się anonimowe dane dotyczące wizyt (bez nazwiska/tożsamości): godzina wizyty, oddział, dzień oczekiwania, poprzednie niestawienia się, wynik (pojawienie się/niestawienie się). Zadanie: (1) wypisz 5 czynników, które najsilniej współwystępują z niepojawieniem się, (2) napisz dla każdego jednozdaniowe wyjaśnienie, (3) stwierdz, że jest to korelacja, a nie twierdzenie o przyczynowości. Nie wymyślaj żadnych liczb, dla których nie podałem danych.
2) Pasmo ryzyka i dopasowanie interwencji:
Zaproponuj proste, przejrzyste zasady (a nie czarne skrzynki, wytłumaczalne progi), które podzielą pacjentów na 3 grupy o wysokim/średnim/niskim ryzyku niepowodzenia w oparciu o powyższe wzorce. Dla każdego pasma zaproponuj interwencję przypominającą/ułatwiającą, która ZABEZPIECZA dostęp. Żadna sugestia nie powinna wykluczać pacjenta z wizyty.
3) Scenariusz overbookingu:
Dzienny slot: 40. Średni wskaźnik nie pojawienia się: 25,3% Generuj scenariusz overbookingu (konserwatywny / zrównoważony / agresywny). Dla każdego scenariusza: łączna liczba wizyt do ustalenia, oczekiwani przyjęci pacjenci, przeciążenie, które wystąpi, jeśli wszyscy się pojawią, oraz szacowany dodatkowy czas oczekiwania. Pokaż formuły obliczeniowe, abym mógł je zweryfikować ręcznie.
4) Wersja robocza wiadomości przypomnienia:
Napisz grzecznego i jasnego SMS-a z przypomnieniem (poniżej 160 znaków), który zostanie wysłany do grupy wysokiego ryzyka. Zapewnij łatwy sposób anulowania/przełożenia spotkania. Nie używaj oskarżycielskiego języka. Turecki, formalny, ale ciepły.
Słaba zachęta/silna zachęta
Słaba zachęta:
Zmniejsz liczbę niepojawień.
To żądanie jest bezkontekstowe: nie jest jasne, która gałąź, jakie dane, jakie ograniczenie; AI zapewnia ogólne, niewykonalne porady.
Potężny monit:
W naszej przychodni dermatologicznej dostępnych jest 40 miejsc dziennie, a średni wskaźnik niepojawień wynosi 25%. Mam anonimowe dane dotyczące spotkań z 6 miesięcy. Chcę zmniejszyć ilość wolnego miejsca, zachowując jednocześnie prawo dostępu. Podaj mi (1) 3-pasmową regułę ryzyka, (2) odpowiednią intensywność przypomnień dla każdego pasma, (3) oczekiwany wpływ scenariusza overbookingu +6.
Podejście
puste gniazdo
dostęp pacjenta
Ryzyko etyczne
nic nie rób
wysoki
neutralny
Nie, ale są odpady
Dodatkowe przypomnienie dla osób ryzykownych
spada
Chroniony/zwiększony
Żadne
Umiarkowane overbooking
zauważalnie spada
Niewielkie ryzyko ogona
Niskie, trzeba obejrzeć
Nieumawianie wizyt dla osób ryzykownych
spada
jest naruszony
Wysoka – niemożliwa
Typowe błędy
- Błędne traktowanie wyniku jako środka wykluczenia. Celem oceny ryzyka nie jest wyeliminowanie pacjenta, ale dotarcie do niego.
- Skrajne overbooking. Wyolbrzymianie liczby niestawiennictwa i umawianie się na zbyt wiele wizyt zwiększy kolejkę i liczbę skarg.
- Mylenie korelacji z przyczynowością. Stwierdzenie, że „wtorek jest ryzykowny” nie oznacza zakazu wtorku; Poznaj prawdziwą przyczynę tego stanu rzeczy.
- Decyzja na podstawie danych z pojedynczej sesji. Ustalanie stałych zasad w oparciu o dane z jednego miesiąca jest mylące; Wymagane jest co najmniej kilkumiesięczne wzorce.
- Ominięcie kontroli sprawiedliwości. Należy sprawdzić, czy interwencja nie wyklucza grup znajdujących się w niekorzystnej sytuacji.
Wskazówka: Zawsze zaczynaj overbooking od małego kroku (np. +2/+3) i prowadź go przez tydzień, a następnie zwiększaj. Scenariusz sztucznej inteligencji jest przewidywaniem; Twój rzeczywisty wskaźnik nie pojawienia się w terenie wymaga aktualizacji scenariusza.
Podsumowując
Niestawienie się jest cichym wrogiem liczby pacjentów ambulatoryjnych. Sztuczna inteligencja jest potężną pomocą w wydobywaniu wzorców niestawienia się na podstawie historycznych anonimowych danych i dzieleniu pacjentów na grupy ryzyka oraz uwidacznianiu scenariuszy overbookingu. Ale wszystko, co powstaje, jest oszacowaniem prawdopodobieństwa. Ocena ryzyka nigdy nie jest narzędziem wykluczającym; dla przypomnienia i ułatwienia chroniącego dostęp. Overbooking powinien być przystępny cenowo, mierzony i testowany małymi krokami. Ostateczna tabela należy do administratora, biorąc pod uwagę uczciwość i prawa pacjenta.
Zadanie aplikacji
Uzyskaj liczbę miejsc dziennie i średni wskaźnik niepojawień ze swojej jednostki (lub hipotetyczny). Poproś sztuczną inteligencję o trzy scenariusze z powyższym szablonem „Scenariusz overbookingu”. Następnie zweryfikuj wzory ręcznie (np. 40 miejsc, 25% niestawienia się → spodziewane 30 niestawienia się; jeśli +6 daje 46 spotkań, oczekiwane ~ 34-35 niestawienia się). Napisz, który scenariusz wybrałeś i dlaczego w 5 punktach; Dodaj także kontrolę uczciwości.
lista kontrolna
- [ ] Czy zanonimizowałem dane (bez nazwy/identyfikatora/protokołu)?
- [ ] Czy zastosowałem ocenę ryzyka w przypadku interwencji polegającej na zachowaniu dostępu, a nie wykluczenia?
- [ ] Czy ręcznie zweryfikowałem scenariusz overbookingu za pomocą wzoru?
- [ ] Czy zacząłem robić overbooking małymi krokami i opracowałem plan monitorowania?
- [ ] Czy ostateczny harmonogram przeszedłem przez filtr uczciwości i poddałem go zatwierdzeniu przez menedżera?