Mga nadagdag:
- Kakayahang maunawaan ang mga salik na nakakaapekto sa rate ng hindi pagsipot at gumamit ng artificial intelligence upang lumikha ng pag-uuri ng panganib at mga draft ng paalala
- Kakayahang magplano ng kapasidad ng klinika ng outpatient, pamamahagi ng slot at lohika ng overbooking sa batayan ng senaryo na may suporta sa artificial intelligence
- Ang kakayahang maprotektahan na ang output ng artificial intelligence ay isang istatistikal na mungkahi at ang panghuling chart ay pagmamay-ari ng manager, na isinasaalang-alang ang mga karapatan sa pag-access ng pasyente at pagiging patas.
Isa sa mga pinakanakakabigo na pagkawala ng pamamahala sa klinika ng outpatient ay ang oras ng appointment na mukhang puno ngunit nananatiling walang laman. Ang pasyente ay gumagawa ng appointment ngunit hindi nagpapakita; ang slot na iyon (appointment slot — ang karapatan ng isang manggagamot na suriin sa loob ng isang tiyak na yugto ng panahon) ay nasasayang. Ito ay tinatawag na no-show sa healthcare management. Sa pampublikong ospital, ang outpatient no-show rate ay kadalasang nasa 20-30 percent range; Ibig sabihin, isa sa bawat apat na appointment ang nasasayang. Ito ay parehong pag-aaksaya ng oras ng manggagamot at pagkawala ng access para sa ibang mga pasyente na gustong pumunta ngunit hindi makahanap ng lugar. Sa unit na ito, gagamitin namin ang AI para sa dalawang trabaho: paghula sa panganib ng hindi pagsipot at matalinong pag-iiskedyul ng kapasidad batay sa hulang ito. Ngunit itakda natin ang limitasyon mula sa simula: Ang AI ay gumagawa ng isang pagtatantya ng posibilidad; Aling pasyente ang bibigyan ng appointment ay ang desisyon ng manager, na isinasaalang-alang ang karapatan ng pasyente sa pag-access at pagiging patas.
Ano ang tumutukoy sa hindi pagsipot?
Ang pag-uugali ng hindi pagpapakita ay hindi basta-basta; Mayroong ilang mga pattern. Ang mga internasyonal at lokal na pag-aaral ay madalas na nagpapakita ng mga sumusunod na salik: kung mas matagal ang oras ng paghihintay sa pagitan ng appointment at pagsusuri, mas malaki ang saklaw ng hindi pagsipot; napakaaga sa umaga o huli sa gabi; kasaysayan ng walang pagpapakita (pinakamalakas na tagahula); kondisyon ng panahon; distansya ng transportasyon ng pasyente; branch (sa ilang branch, mataas ang attendance rate dahil sa talamak na follow-up). Hindi sinasaulo ng AI ang mga salik na ito nang paisa-isa; Kinukuha nito ang mga pattern mula sa makasaysayang data na ibinigay mo dito. Ngunit mag-ingat: Nakahanap ang AI ng isang relasyon (kaugnayan), hindi isang sanhi (sanhi). Ang pagsasabi na "Mataas ang hindi pagsipot sa Martes" ay hindi nangangahulugan na ang Martes ay nagkasala; Marahil isa pang kadahilanan ang naglalaro tuwing Martes.
Sa panig ng kapasidad, dalawang konsepto ang kritikal. Ang slot spread ay kung ilang appointment ang inilagay mo sa anong oras ng araw. Ang overbooking ay nagbu-book ng bahagyang higit pa sa kapasidad upang mabayaran ang inaasahang hindi pagsipot — gaya ng kapag ang mga airline ay nag-oversell ng sasakyang panghimpapawid. Ang pag-overbook ay hindi isang sugal, ito ay isang kalkuladong balanse: kung gagawin mo ang masyadong maliit, magkakaroon ng mga bakanteng slot, kung gumawa ka ng labis, ang pila at paghihintay ay sasabog kapag ang lahat ay dumating. Ang AI ay lubhang kapaki-pakinabang sa pagpapakita ng balanseng ito sa pamamagitan ng mga sitwasyon.
Hakbang-hakbang: no-show at gumagana ang chart sa AI
- Maghanda ng anonymous na data. Walang pangalan ng pasyente, ID, protocol; mga anonymous na field lang gaya ng "oras ng appointment, sangay, araw ng paghihintay, nakaraang bilang ng hindi pagsipot, dumating/hindi sumipot".
- Ibawas ang pattern. Hilingin sa AI na buod kung aling mga salik ang sumasabay sa hindi pagsipot.
- Tukuyin ang panganib na banda. Ang mga pasyente ng banda bilang "mataas/katamtaman/mababa" na panganib sa hindi pagpapakita — mga grupong mapapamahalaan, hindi mga indibidwal na marka.
- Itugma ang interbensyon. Mas matinding paalala (SMS + tawag) sa high-risk group, flexible slot; Karaniwang paalala sa mababang panganib.
- Mag-set up ng overbooking scenario. Ipakalkula sa mga sitwasyon kung ilang appointment pa ang gagawin batay sa inaasahang rate ng hindi pagsipot.
- Pang-administratibong filter. Pagsusuri ng pagiging patas: walang grupo ng pasyente ang hindi kasama sa pag-access; makatwiran ang overbooking; Inaprubahan ng manager ang huling iskedyul.
Babala: Ang marka ng panganib ay hindi kailanman ginagamit upang "gumawa ng appointment para sa pasyenteng ito". Ang puntos ay para lang paikliin ang paalala, mapadali ang pag-access at kapasidad ng balanse. Kung hindi, ito ay isang paglabag sa mga karapatan ng pasyente.
tatlong mini case
Kaso 1 — Pagpapaalala sa intensity. Sa isang pulmonology outpatient clinic, ang rate ng hindi pagsipot ay 28 porsiyento. Ang pangkat ng kalidad ay nagbigay ng anonymous na 6 na buwang data sa YZ at natukoy ang pangkat ng panganib: Mga pasyenteng naghintay ng mas matagal sa 14 na araw at hindi dumating kahit isang beses man lang. Isang dalawang yugto na SMS + na tawag ang inilapat sa pangkat na ito, 3 araw at 1 araw bago ang pagsusuri. Pagkaraan ng tatlong buwan, bumaba ang no-show sa grupong ito mula 28 porsiyento hanggang 17 porsiyento; Ang pangkalahatang outpatient clinic no-show rate ay bumaba sa 21 porsyento. Bumaba ang mga bakanteng slot at umikli ang waiting list.
Kaso 2 — Katamtamang overbooking. Ang isang klinika sa dermatology ay may 40 na puwang bawat araw, na may average na rate ng hindi pagsipot na 25 porsiyento (ibig sabihin, ~10 ang bakante). Tinanong ng manager ang AI para sa isang overbooking scenario. Ang AI ay nagbigay ng tatlong senaryo: +4 appointment (mababang panganib, bahagyang posibilidad ng pila), +8 (balanse), +12 (agresibo, seryosong paghihintay kung lahat ay lalabas). Nagsimula ang manager sa +6; pinanood ng isang buwan. Ang mga libreng slot ay bumaba mula 25 porsiyento hanggang 9 na porsiyento, habang ang karaniwang karagdagang paghihintay ay tumaas ng 7 minuto lamang. Ang desisyon ay sa tao; Ginawa lang ng AI na nakikita ang mga opsyon.
Kaso 3 — Bumalik mula sa maling paggamit. Sa isang yunit, nais ng isang empleyado na bigyang-kahulugan ang marka ng peligro ng AI bilang "ang mga taong may mataas na peligro ay hindi dapat bigyan ng appointment". Tinutulan ito ng dekalidad na opisyal: ibubukod nito ang mga pasyenteng disadvantaged (mahirap abutin, mababa ang kita) mula sa system at ito ay parehong paglabag sa etika at legal. Hindi ginamit ang marka para sa pagbubukod, ngunit para sa flexible na appointment at mga karagdagang paalala na nagpadali sa pag-abot sa pasyenteng iyon.
Apat na maaaring kopyahin na mga template
1) No-show factor analysis:
Ang iyong tungkulin: associate assistant sa outpatient operations analyst. Nasa ibaba ang anonymous na data ng appointment (walang pangalan/pagkakakilanlan): oras ng appointment, sangay, araw ng paghihintay, nakaraang hindi pagsipot, kinalabasan (ipinakita/hindi ipinakita). Gawain: (1) ilista ang 5 salik na pinakamalakas na nangyayari sa hindi pagsipot, (2) sumulat ng isang pangungusap na paliwanag para sa bawat isa, (3) sabihin na ito ay ugnayan, hindi nag-aangkin ng sanhi. Huwag gumawa ng anumang mga numero kung saan hindi ako nagbigay ng data.
2) Pagtutugma ng banda ng peligro at interbensyon:
Magmungkahi ng simple, transparent na mga panuntunan (hindi mga black box, maipaliwanag na mga threshold) na hahatiin ang mga pasyente sa 3 banda ng mataas/katamtaman/mababang panganib ng pagkabigo batay sa mga pattern sa itaas. Para sa bawat banda, magmungkahi ng isang paalala/pagpapadali na interbensyon na PUMIPIGIL sa pag-access. Walang mungkahi ang dapat na ibukod ang pasyente mula sa appointment.
3) Overbooking na sitwasyon:
Pang-araw-araw na slot: 40. Average na rate ng hindi pagsipot: 25.3% Bumuo ng overbooking scenario (konserbatibo / balanse / agresibo). Para sa bawat senaryo: kabuuang mga appointment na gagawin, inaasahang mga papasok na pasyente, labis na karga na mangyayari kung lahat ay lalabas, at tinantyang karagdagang paghihintay. Ipakita ang mga formula ng pagkalkula para ma-verify ko sila nang manu-mano.
4) Draft ng mensahe ng paalala:
Sumulat ng magalang at malinaw na paalala sa SMS (sa ilalim ng 160 character) na ipapadala sa pangkat na may mataas na peligro. Magbigay ng madaling paraan upang kanselahin/ipagpaliban ang isang appointment. Huwag gumamit ng mapang-akit na pananalita. Turkish, pormal ngunit mainit.
Mahinang prompt / Malakas na prompt
Mahinang prompt:
Bawasan ang hindi pagsipot.
Ang kahilingang ito ay walang konteksto: hindi malinaw kung aling sangay, aling data, aling hadlang; Nagbibigay ang AI ng generic, hindi nagagawang payo.
Napakahusay na prompt:
Mayroong 40 slots bawat araw sa aming dermatology outpatient clinic, at ang average na rate ng hindi pagsipot ay 25%. Mayroon akong 6 na buwan ng anonymous na data ng appointment. Gusto kong bawasan ang libreng slot habang pinapanatili ang tamang access. Bigyan ako ng (1) 3-band na panuntunan sa panganib, (2) naaangkop na intensity ng paalala para sa bawat banda, (3) ang inaasahang epekto ng +6 overbooking scenario.
Diskarte
walang laman na puwang
access ng pasyente
Etikal na panganib
walang gawin
mataas
neutral
Hindi pero may basura
Karagdagang paalala para sa mga taong mapanganib
talon
Pinoprotektahan/nadagdagan
wala
Katamtamang overbooking
kapansin-pansing bumababa
Bahagyang panganib sa buntot
Mababa, dapat panoorin
Hindi gumagawa ng appointment para sa mga taong mapanganib
talon
ay nilabag
Mataas - hindi posible
Mga karaniwang pagkakamali
- Ang pagkakamali sa marka bilang paraan ng pagbubukod. Ang marka ng panganib ay hindi upang maalis ang pasyente, ngunit upang maabot siya.
- Sobrang overbooking. Ang pagpapalaki sa rate ng hindi pagsipot at paggawa ng masyadong maraming appointment ay tataas ang pila at mga reklamo.
- Napagkakamalang ugnayan para sa sanhi. Ang pagsasabi ng "Martes ay mapanganib" ay hindi nangangahulugan ng pagbabawal ng Martes; Alamin ang tunay na dahilan sa likod nito.
- Desisyon sa isang data ng session. Ang paggawa ng mga permanenteng panuntunan batay sa isang buwang data ay nakakapanlinlang; Hindi bababa sa ilang buwan ng mga pattern ang kinakailangan.
- Pag-bypass sa tseke ng hustisya. Siguraduhing suriin na ang interbensyon ay hindi nagbubukod ng mga disadvantaged na grupo.
Tip: Palaging magsimulang mag-overbook sa isang maliit na hakbang (hal. +2/+3) at sundan ito sa loob ng isang linggo, pagkatapos ay dagdagan. Ang senaryo ng AI ay isang hula; Ang iyong aktwal na rate ng hindi pagsipot sa field ay nangangailangan sa iyo na i-update ang senaryo.
Sa buod
Ang hindi pagsipot ay ang tahimik na kaaway ng kapasidad ng outpatient. Ang AI ay isang mahusay na tulong sa pagkuha ng mga pattern ng hindi pagpapakita mula sa makasaysayang hindi nakikilalang data at pag-stratification ng mga pasyente sa mga risk band at paggawa ng mga sitwasyon ng overbooking na nakikita. Ngunit lahat ng ginawa ay isang pagtatantya ng posibilidad. Ang marka ng panganib ay hindi kailanman isang kasangkapan para sa pagbubukod; para sa paalala at pagpapadali na nagpoprotekta sa pag-access. Ang overbooking ay dapat na abot-kaya at nasusukat, at nasubok sa maliliit na hakbang. Ang pangwakas na tsart ay pagmamay-ari ng tagapangasiwa, na isinasaalang-alang ang pagiging patas at mga karapatan ng pasyente.
Gawain ng aplikasyon
Kunin ang bilang ng mga slot bawat araw at ang average na rate ng hindi pagsipot mula sa iyong unit (o hypothetical). Magtanong sa AI ng tatlong senaryo na may template na “Overbooking scenario” sa itaas. Pagkatapos ay manu-manong i-verify ang mga formula (hal. 40 slots, 25% no-shows → inaasahang 30 no-shows; kung ang +6 ay magbibigay ng 46 appointment, inaasahang ~34-35 no-shows). Isulat kung aling senaryo ang iyong pinili at bakit sa 5 aytem; Magdagdag din ng fairness check.
checklist
- [ ] Na-anonymize ko ba ang data (walang pangalan/ID/protocol)?
- [ ] Ginamit ko ba ang marka ng panganib para sa interbensyon sa pagpapanatili ng access, hindi sa pagbubukod?
- [ ] Manu-mano ko bang na-verify ang senaryo ng overbooking gamit ang formula?
- [ ] Nagsimula na ba akong mag-overbook sa maliliit na hakbang at mag-set up ng plano sa pagsubaybay?
- [ ] Naipasa ko na ba ang panghuling iskedyul sa pamamagitan ng filter ng patas at isinailalim ito sa pag-apruba ng manager?