การนัดหมายและการจัดการความจุ: การประมาณค่าการไม่แสดงตัวและการจัดกำหนดการอัจฉริยะ

กำไร:

• ความสามารถในการเข้าใจปัจจัยที่ส่งผลต่ออัตราการไม่แสดงตัว และใช้ปัญญาประดิษฐ์เพื่อสร้างการจำแนกความเสี่ยงและร่างการแจ้งเตือน
• ความสามารถในการวางแผนความจุของคลินิกผู้ป่วยนอก การกระจายช่อง และตรรกะการจองเกินตามสถานการณ์ด้วยการสนับสนุนปัญญาประดิษฐ์
• สามารถป้องกันได้ว่าผลลัพธ์ของปัญญาประดิษฐ์นั้นเป็นข้อเสนอแนะทางสถิติและแผนภูมิสุดท้ายเป็นของผู้จัดการ โดยคำนึงถึงสิทธิ์ในการเข้าถึงของผู้ป่วยและความยุติธรรม

การสูญเสียการจัดการคลินิกผู้ป่วยนอกที่น่าหงุดหงิดที่สุดประการหนึ่งคือเวลานัดหมายที่ดูเหมือนจะเต็มแต่ยังคงว่างเปล่า ผู้ป่วยทำการนัดหมายแต่ไม่ปรากฏตัว ช่องนั้น (ช่องนัดหมาย - สิทธิ์ของแพทย์ในการตรวจภายในระยะเวลาหนึ่ง) สูญเปล่า สิ่งนี้เรียกว่าการไม่แสดงตัวในการจัดการด้านการดูแลสุขภาพ ในโรงพยาบาลของรัฐ อัตราการไม่แสดงตนของผู้ป่วยนอกมักจะอยู่ในช่วงร้อยละ 20-30; นั่นหมายความว่าหนึ่งในสี่ของการนัดหมายจะสูญเปล่า นี่เป็นทั้งการเสียเวลาของแพทย์และการสูญเสียการเข้าถึงสำหรับผู้ป่วยรายอื่นที่ต้องการมาแต่ไม่สามารถหาสถานที่ได้ ในหน่วยนี้ เราจะใช้ AI สำหรับงานสองงาน: การคาดการณ์ความเสี่ยงของการไม่แสดงตัว และการจัดกำหนดการความจุอย่างชาญฉลาดตามการคาดการณ์นี้ แต่มากำหนดขีดจำกัดตั้งแต่ต้นกันดีกว่า: AI สร้างการประมาณความน่าจะเป็น ผู้ป่วยรายใดจะได้รับการนัดหมายเป็นการตัดสินใจของผู้จัดการโดยคำนึงถึงสิทธิในการเข้าถึงของผู้ป่วยและความเป็นธรรม

อะไรเป็นตัวกำหนดการไม่แสดงตัว?

พฤติกรรมการไม่แสดงตนไม่ใช่การสุ่ม มีรูปแบบบางอย่าง การศึกษาระดับนานาชาติและระดับท้องถิ่นมักแสดงให้เห็นปัจจัยต่อไปนี้: ยิ่งระยะเวลารอคอยระหว่างการนัดหมายและการตรวจนานเท่าใด อุบัติการณ์ของการไม่มาแสดงตัวก็จะยิ่งมากขึ้นเท่านั้น เช้าตรู่หรือช่วงเย็น ประวัติการไม่แสดงตัว (ตัวทำนายที่แข็งแกร่งที่สุด); สภาพอากาศ ระยะทางในการเคลื่อนย้ายผู้ป่วย สาขา (บางสาขาอัตราการเข้างานสูงเนื่องจากมีการติดตามผลแบบเรื้อรัง) AI ไม่ได้จดจำปัจจัยเหล่านี้ทีละรายการ โดยดึงรูปแบบจากข้อมูลประวัติที่คุณให้มา แต่ต้องระวัง: AI ค้นหาความสัมพันธ์ (ความสัมพันธ์) ไม่ใช่สาเหตุ (สาเหตุ) การพูดว่า "การไม่แสดงตัวในวันอังคารถือว่าสูง" ไม่ได้หมายความว่าวันอังคารเป็นความผิด บางทีปัจจัยอื่นอาจเกิดขึ้นในวันอังคาร

ในด้านความจุ มีแนวคิดสองประการที่มีความสำคัญ การกระจายสล็อตคือจำนวนการนัดหมายที่คุณทำในช่วงเวลาใดของวัน การจองเกินจำนวนคือการจองที่เกินความจุเล็กน้อยเพื่อชดเชยการไม่แสดงตัวที่คาดไว้ เช่น เมื่อสายการบินขายเครื่องบินเกินจำนวน การจองเกินไม่ใช่การพนัน แต่เป็นการคำนวณยอดคงเหลือ: หากคุณทำน้อยเกินไป ก็จะมีช่องว่าง หากคุณทำมากเกินไป คิวและการรอคอยจะระเบิดเมื่อทุกคนมาถึง AI มีประโยชน์มากในการแสดงให้เห็นถึงความสมดุลนี้ผ่านสถานการณ์ต่างๆ

ทีละขั้นตอน: การไม่แสดงตัวและแผนภูมิทำงานร่วมกับ AI

1. เตรียมข้อมูลที่ไม่ระบุชื่อ ไม่มีชื่อผู้ป่วย, ID, โปรโตคอล; เฉพาะช่องที่ไม่ระบุชื่อ เช่น "เวลานัดหมาย สาขา วันที่รอ จำนวนที่ผ่านมาไม่มาปรากฏตัว มา/ไม่มา"
2. ลบรูปแบบ ขอให้ AI สรุปว่าปัจจัยใดบ้างที่สอดคล้องกับการไม่แสดงตัว
3. กำหนดช่วงความเสี่ยง แบ่งกลุ่มผู้ป่วยเป็น “สูง/ปานกลาง/ต่ำ” ความเสี่ยงในการไม่แสดงตัว — กลุ่มที่จัดการได้ ไม่ใช่คะแนนรายบุคคล
4. จับคู่การแทรกแซง การแจ้งเตือนที่เข้มข้นยิ่งขึ้น (SMS + โทร) ไปยังกลุ่มที่มีความเสี่ยงสูง ช่องที่ยืดหยุ่น การแจ้งเตือนมาตรฐานถึงความเสี่ยงต่ำ
5. ตั้งค่าสถานการณ์สมมติการจองเกิน ให้สถานการณ์จำลองคำนวณจำนวนการนัดหมายเพิ่มเติมตามอัตราการไม่มาปรากฏตัวที่คาดหวัง
6. ตัวกรองการดูแลระบบ การตรวจสอบความเป็นธรรม: ไม่มีกลุ่มผู้ป่วยที่ถูกแยกออกจากการเข้าถึง การจองเกินจำนวนนั้นสมเหตุสมผล ผู้จัดการอนุมัติกำหนดการสุดท้าย

ข้อควรระวัง: ไม่เคยใช้คะแนนความเสี่ยงในการ "นัดหมายผู้ป่วยรายนี้" คะแนนมีไว้เพื่อย่อการแจ้งเตือน อำนวยความสะดวกในการเข้าถึง และปรับสมดุลความจุเท่านั้น มิฉะนั้นจะเป็นการละเมิดสิทธิของผู้ป่วย

มินิเคสสามอัน

กรณีที่ 1 — ความเข้มข้นในการเตือน ในคลินิกผู้ป่วยนอกด้านโรคปอด อัตราการไม่มาปรากฏตัวอยู่ที่ร้อยละ 28 ทีมงานคุณภาพให้ข้อมูลแบบไม่เปิดเผยตัวตนเป็นเวลา 6 เดือนแก่ YZ และระบุกลุ่มเสี่ยง: ผู้ป่วยที่รอนานกว่า 14 วันและไม่มาอย่างน้อยหนึ่งครั้งก่อน กลุ่มนี้ส่ง SMS + โทรสองขั้นตอน 3 วัน 1 วันก่อนสอบ หลังจากสามเดือน การไม่แสดงตัวในกลุ่มนี้ลดลงจาก 28 เปอร์เซ็นต์เป็น 17 เปอร์เซ็นต์; อัตราการไม่แสดงตนของคลินิกผู้ป่วยนอกทั่วไปลดลงเหลือร้อยละ 21 ช่องว่างลดลงและรายการรอก็สั้นลง

กรณีที่ 2 — การจองเกินปานกลาง คลินิกผิวหนังแห่งหนึ่งมี 40 ช่องต่อวัน โดยมีอัตราการไม่มาแสดงตนโดยเฉลี่ย 25 ​​เปอร์เซ็นต์ (เช่น ว่างประมาณ 10 แห่ง) ผู้จัดการถาม AI เกี่ยวกับสถานการณ์การจองเกินจำนวน AI ให้สถานการณ์ 3 แบบ: +4 การนัดหมาย (ความเสี่ยงต่ำ ความน่าจะเป็นของคิวเล็กน้อย) +8 (สมดุล) +12 (การรอคอยที่ดุดันและจริงจังหากทุกคนปรากฏตัว) ผู้จัดการเริ่มต้นด้วย +6; ดูเป็นเวลาหนึ่งเดือน ช่องฟรีลดลงจาก 25 เปอร์เซ็นต์เหลือ 9 เปอร์เซ็นต์ ในขณะที่การรอเพิ่มเติมโดยเฉลี่ยเพิ่มขึ้นเพียง 7 นาที การตัดสินใจเป็นของมนุษย์ AI เพิ่งแสดงตัวเลือกต่างๆ

กรณีที่ 3 — กลับจากการใช้ผิดประเภท ในหน่วยหนึ่ง พนักงานต้องการตีความคะแนนความเสี่ยงของ AI ว่า "ผู้ที่มีความเสี่ยงสูงไม่ควรได้รับนัดหมาย" เจ้าหน้าที่คุณภาพคัดค้านสิ่งนี้: สิ่งนี้จะแยกผู้ป่วยด้อยโอกาส (เข้าถึงยาก มีรายได้น้อย) ออกจากระบบ และเป็นทั้งการละเมิดจริยธรรมและกฎหมาย คะแนนไม่ได้ใช้สำหรับการยกเว้น แต่สำหรับการนัดหมายที่ยืดหยุ่นและการเตือนเพิ่มเติมที่ทำให้เข้าถึงผู้ป่วยรายนั้นได้ง่ายขึ้น

เทมเพลตที่สามารถคัดลอกได้สี่แบบ

1) การวิเคราะห์ปัจจัยการไม่แสดงตัว:

บทบาทของคุณ: ผู้ช่วยผู้ช่วยนักวิเคราะห์การปฏิบัติงานผู้ป่วยนอก ด้านล่างนี้คือข้อมูลการนัดหมายที่ไม่เปิดเผยตัวตน (ไม่มีชื่อ/ตัวตน): เวลานัดหมาย สาขา วันที่รอ การไม่มาปรากฏตัวครั้งก่อน ผลลัพธ์ (แสดง/ไม่แสดงตัว) ภารกิจ: (1) ระบุปัจจัย 5 ประการที่เกิดขึ้นร่วมกันอย่างรุนแรงที่สุดโดยไม่แสดงตัว (2) เขียนคำอธิบายหนึ่งประโยคสำหรับแต่ละปัจจัย (3) ระบุว่าสิ่งนี้มีความสัมพันธ์กัน ไม่ใช่อ้างว่าเป็นเหตุ อย่าสร้างตัวเลขใด ๆ ที่ฉันยังไม่ได้ให้ข้อมูล

2) การจับคู่กลุ่มความเสี่ยงและการแทรกแซง:

เสนอแนะกฎง่ายๆ โปร่งใส (ไม่ใช่กล่องดำ เกณฑ์ที่อธิบายได้) ที่จะแบ่งผู้ป่วยออกเป็น 3 กลุ่มที่มีความเสี่ยงสูง/ปานกลาง/ต่ำตามรูปแบบข้างต้น สำหรับแต่ละวงดนตรี เสนอแนะการแทรกแซง/การอำนวยความสะดวกที่ป้องกันการเข้าถึง ข้อเสนอแนะไม่ควรแยกผู้ป่วยออกจากการนัดหมาย

3) สถานการณ์การจองเกินจำนวน:

ช่องรายวัน: 40 อัตราการไม่แสดงตนโดยเฉลี่ย: 25.3% สร้างสถานการณ์การจองมากกว่าจำนวนที่มี (อนุรักษ์นิยม / สมดุล / เชิงรุก) สำหรับแต่ละสถานการณ์: การนัดหมายทั้งหมดที่ต้องทำ ผู้ป่วยที่คาดว่าจะเข้ามา การโอเวอร์โหลดที่จะเกิดขึ้นหากทุกคนมาปรากฏตัว และประมาณการการรอคอยเพิ่มเติม แสดงสูตรการคำนวณเพื่อให้ฉันสามารถตรวจสอบได้ด้วยตนเอง

4) ร่างข้อความเตือนความจำ:

เขียน SMS เตือนอย่างสุภาพและชัดเจน (ไม่เกิน 160 ตัวอักษร) เพื่อส่งไปยังกลุ่มเสี่ยงสูง มอบวิธีง่ายๆ ในการยกเลิก/เลื่อนการนัดหมาย อย่าใช้ภาษากล่าวหา. ภาษาตุรกี เป็นทางการแต่อบอุ่น

พรอมต์อ่อน / พรอมต์แข็งแกร่ง

พรอมต์ที่อ่อนแอ:

ลดการไม่แสดงตัว

คำขอนี้ไม่มีบริบท: ไม่ชัดเจนว่าสาขาใด ข้อมูลใด ข้อจำกัดใด AI ให้คำแนะนำทั่วไปที่ไม่สามารถใช้งานได้

พรอมต์อันทรงพลัง:

คลินิกผิวหนังสำหรับผู้ป่วยนอกของเรามีจำนวน 40 ช่องต่อวัน และอัตราการไม่มาแสดงตัวโดยเฉลี่ยอยู่ที่ 25% ฉันมีข้อมูลการนัดหมายที่ไม่เปิดเผยตัวตนเป็นเวลา 6 เดือน ฉันต้องการลดช่องว่างในขณะที่รักษาสิทธิ์ในการเข้าถึง ให้ฉัน (1) กฎความเสี่ยง 3 แบนด์ (2) ระดับการแจ้งเตือนที่เหมาะสมสำหรับแต่ละแบนด์ (3) ผลกระทบที่คาดหวังจากสถานการณ์การจองเกิน +6

แนวทาง

ช่องว่างเปล่า

การเข้าถึงของผู้ป่วย

ความเสี่ยงด้านจริยธรรม

ไม่ทำอะไรเลย

สูง

เป็นกลาง

ไม่มี แต่มีของเสีย

คำเตือนเพิ่มเติมสำหรับผู้ที่มีความเสี่ยง

น้ำตก

ป้องกัน/เพิ่มขึ้น

ไม่มี

การจองเกินปานกลาง

ลดลงอย่างเห็นได้ชัด

เสี่ยงหางเล็กน้อย

ต่ำต้องดู

ไม่นัดคนเสี่ยง

น้ำตก

ถูกละเมิด

สูง - เป็นไปไม่ได้

ข้อผิดพลาดทั่วไป

• การเข้าใจผิดว่าคะแนนเป็นวิธีการยกเว้น คะแนนความเสี่ยงไม่ใช่การกำจัดผู้ป่วย แต่เพื่อเข้าถึงตัวเขา
• การจองเกินจำนวนมาก การพูดเกินจริงเกี่ยวกับอัตราการไม่แสดงตัวและการนัดหมายมากเกินไปจะทำให้คิวและการร้องเรียนเพิ่มขึ้น
• ความสัมพันธ์ที่ผิดพลาดสำหรับสาเหตุ การพูดว่า "วันอังคารมีความเสี่ยง" ไม่ได้หมายความว่าการห้ามวันอังคาร ค้นหาสาเหตุที่แท้จริงเบื้องหลังมัน
• การตัดสินใจด้วยข้อมูลเซสชันเดียว การสร้างกฎถาวรโดยอิงจากข้อมูลหนึ่งเดือนถือเป็นการเข้าใจผิด ต้องใช้รูปแบบอย่างน้อยสองสามเดือน
• ข้ามการตรวจสอบความยุติธรรม อย่าลืมตรวจสอบว่าการแทรกแซงไม่ได้กีดกันกลุ่มผู้ด้อยโอกาส

เคล็ดลับ: เริ่มต้นการจองมากกว่าจำนวนที่มีด้วยก้าวเล็กๆ (เช่น +2/+3) เสมอ และปฏิบัติตามเป็นเวลาหนึ่งสัปดาห์ จากนั้นจึงเพิ่มขึ้น สถานการณ์ของ AI เป็นเพียงการคาดการณ์ อัตราการไม่แสดงตัวตามจริงของคุณในฟิลด์กำหนดให้คุณต้องอัปเดตสถานการณ์

โดยสรุป

การไม่ปรากฏตัวเป็นศัตรูเงียบของความสามารถในการรองรับผู้ป่วยนอก AI เป็นตัวช่วยที่ทรงพลังในการแยกรูปแบบการไม่แสดงตนออกจากข้อมูลที่ไม่เปิดเผยตัวตนในอดีต และแบ่งผู้ป่วยออกเป็นช่วงความเสี่ยง และทำให้มองเห็นสถานการณ์การจองเกินจำนวนได้ แต่ทุกสิ่งทุกอย่างที่เกิดขึ้นเป็นเพียงการประมาณความน่าจะเป็น คะแนนความเสี่ยงไม่ใช่เครื่องมือในการยกเว้น สำหรับการเตือนและการอำนวยความสะดวกที่ปกป้องการเข้าถึง การจองมากกว่าจำนวนที่มีควรมีราคาไม่แพงและวัดผลได้ และทดสอบในขั้นตอนเล็กๆ แผนภูมิสุดท้ายเป็นของผู้บริหารโดยคำนึงถึงความเป็นธรรมและสิทธิของผู้ป่วย

งานสมัคร

รับจำนวนช่องต่อวันและอัตราการไม่แสดงตัวโดยเฉลี่ยจากหน่วยของคุณ (หรือสมมุติ) ถาม AI สำหรับสามสถานการณ์ด้วยเทมเพลต “สถานการณ์การจองเกินจำนวน” ด้านบน จากนั้นตรวจสอบสูตรด้วยตนเอง (เช่น 40 ช่อง 25% ไม่มาปรากฏตัว → คาดว่าจะไม่มา 30 ครั้ง ถ้า +6 ทำให้เกิดการนัดหมาย 46 ครั้ง คาดว่าจะ ~34-35 ไม่มาปรากฏตัว) เขียนสถานการณ์ที่คุณเลือกและเหตุผลใน 5 รายการ เพิ่มการตรวจสอบความเป็นธรรมด้วย

รายการตรวจสอบ

• [ ] ฉันได้ทำให้ข้อมูลเป็นนิรนามแล้ว (ไม่มีชื่อ/ID/โปรโตคอล) หรือไม่?
• [ ] ฉันใช้คะแนนความเสี่ยงเพื่อการรักษาการเข้าถึง ไม่ใช่การยกเว้นหรือไม่?
• [ ] ฉันได้ตรวจสอบสถานการณ์การจองเกินด้วยตนเองด้วยสูตรหรือไม่
• [ ] ฉันได้เริ่มจองมากกว่าจำนวนที่มีในขั้นตอนเล็กๆ และจัดทำแผนการตรวจสอบแล้วหรือยัง?
• [ ] ฉันได้ผ่านกำหนดการสุดท้ายผ่านตัวกรองความเป็นธรรม และต้องได้รับการอนุมัติจากผู้จัดการหรือไม่?