Ganhos:
- Capacidade de compreender os fatores que afetam a taxa de não comparecimento e usar inteligência artificial para criar classificações de risco e rascunhos de lembretes
- Capacidade de planejar a capacidade do ambulatório, distribuição de slots e lógica de overbooking com base em cenários com suporte de inteligência artificial
- Ser capaz de garantir que o resultado da inteligência artificial seja uma sugestão estatística e que o gráfico final pertença ao gestor, levando em consideração os direitos de acesso e a justiça do paciente.
Uma das perdas mais frustrantes da gestão ambulatorial é o horário de consulta que parece cheio, mas permanece vazio. O paciente marca consulta mas não comparece; esse horário (horário de consulta - o direito do médico de fazer o exame dentro de um determinado período de tempo) é desperdiçado. Isso é chamado de não comparecimento na gestão de saúde. Num hospital público, a taxa de não comparecimento de pacientes ambulatoriais costuma ficar na faixa de 20 a 30 por cento; Isso significa que uma em cada quatro consultas é desperdiçada. Isto é tanto uma perda de tempo do médico como uma perda de acesso para outros pacientes que querem vir mas não conseguem encontrar um lugar. Nesta unidade, usaremos IA para duas tarefas: prever o risco de não comparecimento e agendar de forma inteligente a capacidade com base nessa previsão. Mas vamos estabelecer o limite desde o início: a IA produz uma estimativa de probabilidade; Qual paciente será marcado é uma decisão do gestor, levando em consideração o direito de acesso e justiça do paciente.
O que determina um não comparecimento?
O comportamento de não comparecimento não é aleatório; Existem certos padrões. Estudos internacionais e locais mostram frequentemente os seguintes fatores: quanto maior o tempo de espera entre a consulta e o exame, maior a incidência de não comparecimentos; muito cedo pela manhã ou tarde da noite; histórico de não comparecimento (preditor mais forte); condições climáticas; distância de transporte do paciente; agência (em algumas agências a taxa de atendimento é elevada devido ao acompanhamento crônico). A IA não memoriza esses fatores um por um; Ele extrai padrões dos dados históricos que você fornece. Mas tenha cuidado: a IA encontra uma relação (correlação), não uma causa (causalidade). Dizer “As faltas às terças-feiras são altas” não significa que terça-feira é culpada; Talvez outro fator esteja em jogo nas terças-feiras.
Do lado da capacidade, dois conceitos são críticos. A distribuição de slots é quantos compromissos você realiza em que hora do dia. Overbooking é reservar um pouco mais do que a capacidade para compensar um não comparecimento esperado – como quando as companhias aéreas vendem aeronaves em excesso. Overbooking não é uma aposta, é um equilíbrio calculado: se fizer pouco, haverá vagas vazias, se fizer muito, a fila e a espera explodirão quando todos chegarem. A IA é muito útil para demonstrar esse equilíbrio através de cenários.
Passo a passo: trabalho de não comparecimento e gráfico com IA
- Prepare dados anônimos. Sem nome do paciente, ID, protocolo; apenas campos anônimos como "horário do agendamento, agência, dia de espera, número de não comparecimentos anteriores, compareceu/não compareceu".
- Subtraia o padrão. Peça à IA para resumir quais fatores andam de mãos dadas com o não comparecimento.
- Defina faixa de risco. Classifique os pacientes como “alto/médio/baixo” risco de não comparecimento — grupos administráveis, não pontuações individuais.
- Combine a intervenção. Lembrete mais intenso (SMS + chamada) para grupo de alto risco, slot flexível; Lembrete padrão para baixo risco.
- Configure um cenário de overbooking. Faça com que os cenários calculem quantos agendamentos a mais serão feitos com base na taxa de não comparecimento esperada.
- Filtro administrativo. Verificação de imparcialidade: nenhum grupo de pacientes é excluído do acesso; overbooking é razoável; O gerente aprova o cronograma final.
Atenção: A pontuação de risco nunca é usada para “marcar consulta para este paciente”. A pontuação serve apenas para condensar o lembrete, facilitar o acesso e equilibrar a capacidade. Caso contrário, é uma violação dos direitos do paciente.
três mini cases
Caso 1 — Intensidade da lembrança. Num ambulatório de pneumologia, a taxa de não comparecimento foi de 28%. A equipe de qualidade forneceu dados anônimos de 6 meses à YZ e determinou o grupo de risco: pacientes que esperaram mais de 14 dias e não compareceram pelo menos uma vez antes. A este grupo foi aplicada uma chamada SMS + em duas etapas, 3 dias e 1 dia antes do exame. Após três meses, o número de não comparecimentos neste grupo caiu de 28% para 17%; A taxa de não comparecimento ao ambulatório geral diminuiu para 21 por cento. As vagas diminuíram e a lista de espera diminuiu.
Caso 2 — Overbooking moderado. Uma clínica dermatológica tinha 40 vagas por dia, com uma taxa média de não comparecimento de 25% (ou seja, aproximadamente 10 vagas). O gestor solicitou à IA um cenário de overbooking. A IA deu três cenários: +4 agendamento (baixo risco, pequena probabilidade de fila), +8 (equilibrado), +12 (espera agressiva e séria se todos aparecerem). O treinador começou com +6; assisti por um mês. Os slots gratuitos caíram de 25% para 9%, enquanto a espera adicional média aumentou apenas 7 minutos. A decisão foi do homem; A IA apenas tornou as opções visíveis.
Caso 3 — Retorno por uso indevido. Em uma unidade, um funcionário quis interpretar a pontuação de risco da IA como “pessoas de alto risco não deveriam marcar consulta”. O responsável pela qualidade opôs-se a isto: isto excluiria do sistema pacientes desfavorecidos (difíceis de alcançar, de baixos rendimentos) e seria uma violação ética e legal. A pontuação não foi utilizada para exclusão, mas para marcação flexível e lembretes adicionais que facilitaram o contato com aquele paciente.
Quatro modelos copiáveis
1) Análise fatorial de não comparecimento:
Sua função: assistente associado de analista de operações ambulatoriais. Abaixo estão os dados do agendamento anônimo (sem nome/identidade): horário do agendamento, agência, dia de espera, não comparecimentos anteriores, resultado (aparecimento/não comparecimento). Tarefa: (1) listar os 5 fatores que mais fortemente co-ocorrem com o não comparecimento, (2) escrever uma explicação de uma frase para cada um, (3) afirmar que isso é correlação, não alegando causalidade. Não invente números para os quais não tenha fornecido dados.
2) Faixa de risco e correspondência de intervenção:
Sugira regras simples e transparentes (não caixas pretas, limites explicáveis) que dividirão os pacientes em 3 faixas de alto/médio/baixo risco de falha com base nos padrões acima. Para cada banda, sugira uma intervenção de lembrete/facilitação que IMPEDE o acesso. Nenhuma sugestão deve excluir o paciente da consulta.
3) Cenário de overbooking:
Slot diário: 40. Taxa média de não comparecimento: 25,3% Gera um cenário de overbooking (conservador/equilibrado/agressivo). Para cada cenário: total de consultas a serem marcadas, expectativa de entrada de pacientes, sobrecarga que ocorrerá caso todos compareçam e estimativa de espera adicional. Mostre as fórmulas de cálculo para que eu possa verificá-las manualmente.
4) Rascunho da mensagem de lembrete:
Escreva um lembrete por SMS educado e claro (menos de 160 caracteres) para ser enviado ao grupo de alto risco. Fornece uma maneira fácil de cancelar/adiar um compromisso. Não use linguagem acusatória. Turco, formal, mas caloroso.
Alerta fraco / Alerta forte
Alerta fraco:
Reduza o não comparecimento.
Esta solicitação é livre de contexto: não está claro qual ramo, quais dados, qual restrição; A IA fornece conselhos genéricos e impraticáveis.
Alerta poderoso:
São 40 vagas por dia em nosso ambulatório de dermatologia, e a taxa média de não comparecimento é de 25%. Tenho 6 meses de dados de compromissos anônimos. Quero reduzir o espaço livre preservando o direito de acesso. Dê-me (1) uma regra de risco de 3 bandas, (2) intensidade de lembrete apropriada para cada banda, (3) o impacto esperado de um cenário de overbooking +6.
Abordagem
slot vazio
acesso do paciente
Risco ético
não faça nada
alto
neutro
Não, mas há desperdício
Lembrete adicional para pessoas de risco
cai
Protegido/aumentado
Nenhum
Overbooking moderado
cai visivelmente
Pequeno risco de cauda
Baixo, preciso assistir
Não marcar consulta para pessoas de risco
cai
é violado
Alto – não é possível
Erros comuns
- Confundir a pontuação com um meio de exclusão. A pontuação de risco não é eliminar o paciente, mas atingi-lo.
- Overbooking extremo. Exagerar no índice de não comparecimento e marcar muitos compromissos aumentará a fila e as reclamações.
- Confundindo correlação com causalidade. Dizer “terça-feira é arriscado” não significa proibir terça-feira; Descubra o verdadeiro motivo por trás disso.
- Decisão com dados de sessão única. Estabelecer regras permanentes com base nos dados de um mês é enganoso; São necessários pelo menos alguns meses de padrões.
- Ignorando a verificação da justiça. Certifique-se de verificar se a intervenção não exclui grupos desfavorecidos.
Dica: Comece sempre o overbooking com um pequeno passo (por exemplo, +2/+3) e siga-o durante uma semana, depois aumente. O cenário da IA é uma previsão; Sua taxa real de não comparecimento em campo exige que você atualize o cenário.
Resumindo
O não comparecimento é o inimigo silencioso da capacidade ambulatorial. A IA é uma ajuda poderosa na extração de padrões de não comparecimento de dados históricos anonimizados e na estratificação de pacientes em faixas de risco e na visibilidade de cenários de overbooking. Mas tudo o que é produzido é uma estimativa de probabilidade. A pontuação de risco nunca é uma ferramenta de exclusão; para lembrete e facilitação que protege o acesso. O overbooking deve ser acessível e medido e testado em pequenos passos. O quadro final pertence ao administrador, considerando a justiça e os direitos do paciente.
Tarefa de aplicativo
Obtenha o número de slots por dia e a taxa média de não comparecimento da sua unidade (ou hipotética). Peça à IA três cenários com o modelo “Cenário de overbooking” acima. Em seguida, verifique as fórmulas manualmente (por exemplo, 40 vagas, 25% de não comparecimentos → 30 não comparecimentos esperados; se +6 der 46 agendamentos, são esperados ~34-35 não comparecimentos). Escreva qual cenário você escolheu e porquê em 5 itens; Adicione também a verificação de justiça.
lista de verificação
- [ ] Anonimizei os dados (sem nome/ID/protocolo)?
- [ ] Usei a pontuação de risco para intervenção de preservação de acesso, e não de exclusão?
- [ ] Verifiquei manualmente o cenário de overbooking com a fórmula?
- [ ] Comecei a fazer overbooking em pequenos passos e estabeleci um plano de monitoramento?
- [ ] Passei o cronograma final por um filtro de imparcialidade e o submeti à aprovação do gerente?