收益：
- 能够了解影响缺席率的因素并利用人工智能创建风险分类和提醒草稿
- 能够在人工智能的支持下，根据场景规划门诊容量、时段分配和超额预订逻辑
- 能够保护人工智能输出是一种统计建议，并且最终图表属于管理者，同时考虑到患者的访问权限和公平性。
门诊管理最令人沮丧的损失之一就是预约时间看似已满，实则空空如也。患者预约但未出现；这个时间段（预约时间段——医生在一定时间内进行检查的权利）被浪费了。这在医疗保健管理中称为缺席。在公立医院，门诊缺席率往往在20-30%之间；这意味着四分之一的约会被浪费了。这既浪费了医生的时间，也让其他想来但找不到地方的患者失去了机会。在本单元中，我们将使用人工智能完成两项工作：预测缺席风险以及根据此预测智能调度容量。但让我们从一开始就设定限制：人工智能产生概率估计；为哪位患者进行预约由经理决定，并考虑患者的访问权和公平性。
什么决定缺席？
缺席行为并非随机发生；有一定的模式。国际和本地的研究经常显示以下因素：预约和检查之间的等待时间越长，缺席的发生率就越高；清晨或深夜；缺席历史（最强预测）；天气状况；患者的交通距离；分行（部分分行由于长期随访，出勤率较高）。 AI不会一一记住这些因素；它从您提供的历史数据中提取模式。但要小心：人工智能找到的是关系（相关性），而不是原因（因果关系）。说“周二缺席率很高”并不意味着周二就有罪。也许周二还有另一个因素在起作用。
在容量方面，有两个概念至关重要。时段分布是指您在一天中的什么时间安排了多少次约会。超额预订是指略高于容量的预订，以弥补预期的缺席情况——例如航空公司超售飞机时。超额预订不是赌博，而是一种经过计算的平衡：如果做得太少，就会有空位，如果做得太多，当每个人都到达时，排队和等待就会爆炸。人工智能在通过场景展示这种平衡方面非常有用。
一步一步：未出现和图表与人工智能一起工作
- 准备匿名数据。无患者姓名、ID、方案；只有匿名字段，例如“预约时间、分行、等待日、过去未出现的次数、来过/未出现”。
- 减去图案。请 AI 总结哪些因素与缺席密切相关。
- 定义风险范围。将患者分为“高/中/低”缺席风险——可管理的群体，而不是个人评分。
- 匹配干预。对高危人群更强烈提醒（短信+电话），时段灵活；标准提醒低风险。
- 设置超额预订场景。让场景根据预期缺席率计算还会进行多少次预约。
- 行政过滤器。公平性检查：没有患者群体被排除在访问之外；超额预订是合理的；经理批准了最终的时间表。
注意：风险评分绝不会用于“为该患者预约”。分数只是为了凝练提醒、方便访问、平衡能力。否则，就是对患者权利的侵犯。
三个迷你箱子
案例1——提醒强度。在一家肺科门诊，缺席率为 28%。质量团队向 YZ 提供了 6 个月的匿名数据，并确定了风险组：等待时间超过 14 天且之前至少没有来过一次的患者。该组在检查前3天和1天采用两阶段短信+电话。三个月后，该群体的缺席率从 28% 下降到 17%；普通门诊缺席率下降至21%。空置名额有所减少，等候名单也有所缩短。
案例 2 — 适度超额预订。一家皮肤科诊所每天有 40 个名额，平均缺席率为 25%（即约 10 个空位）。经理向 AI 询问超售场景。 AI给出了三种场景：+4预约（低风险，轻微排队概率），+8（平衡），+12（积极，如果每个人都出现则认真等待）。经理以+6开始；看了一个月。免费时段从 25% 下降到 9%，而平均额外等待时间仅增加了 7 分钟。这个决定是由人做出的。人工智能只是让选项变得可见。
案例 3 — 因误用而返回。在一个单位，一名员工希望将人工智能风险评分解释为“不应该给高风险人员进行预约”。质量官员对此表示反对：这会将弱势（难以接触到的低收入）患者排除在系统之外，并且违反了道德和法律。该分数并不用于排除，而是用于灵活的预约和额外的提醒，以便更容易联系到该患者。
四个可复制模板
1）缺席因素分析：
您的角色：门诊运营分析师助理助理。以下是匿名预约数据（无姓名/身份）：预约时间、分行、等待日、之前未出现、结果（已出现/未出现）。任务：(1) 列出与缺席最密切相关的 5 个因素，(2) 为每个因素写出一句话解释，(3) 说明这是相关性，而不是因果关系。不要编造任何我没有提供数据的数字。
2）风险区间与干预匹配：
建议简单、透明的规则（不是黑匣子、可解释的阈值），根据上述模式将患者分为高/中/低失败风险 3 个等级。对于每个频段，建议防止访问的提醒/便利干预措施。任何建议都不应将患者排除在预约之外。
3）超额预订场景：
每日时段：40。平均缺席率：25.3% 生成超额预订场景（保守/平衡/激进）。对于每种情况：要进行的总预约、预计到来的患者、如果每个人都出现的话将发生的超负荷以及预计的额外等待。显示计算公式，以便我可以手动验证它们。
4）提醒消息草稿：
撰写礼貌、清晰的短信提醒（160 个字符以下）发送给高危人群。提供取消/推迟约会的简单方法。不要使用指责性的语言。土耳其语，正式但热情。
弱提示/强提示
弱提示：
减少缺席。
这个请求是上下文无关的：不清楚哪个分支、哪个数据、哪个约束；人工智能提供通用的、不可行的建议。
强力提示：
我们的皮肤科门诊每天有40个名额，平均缺席率为25%。我有 6 个月的匿名预约数据。我想在保留访问权的同时减少空闲插槽。给我 (1) 3 个级别的风险规则，(2) 每个级别的适当提醒强度，(3) +6 超额预订场景的预期影响。
方法
空槽
患者访问
道德风险
什么都不做
高
中立的
没有，但是有浪费
对高危人群的额外提醒
瀑布
保护/增加
无
适度超额预订
明显下降
轻微尾部风险
低，必须看
不为有风险的人预约
瀑布
被侵犯
高——不可能
常见错误
- 将分数误认为是排除的手段。风险评分不是消灭病人，而是接近他。
- 极度超额预订。夸大缺席率和过多预约会增加排队和投诉。
- 将相关性误认为因果关系。说“星期二有风险”并不意味着禁止星期二；找出背后的真正原因。
- 使用单个会话数据做出决策。根据一个月的数据制定永久规则是具有误导性的；至少需要几个月的模式。
- 绕过司法检查。请务必检查干预措施是否排除弱势群体。
提示：始终以一小步（例如+2/+3）开始超额预订，并坚持一周，然后增加。人工智能的场景是一个预测；您在现场的实际缺席率需要您更新场景。
总之
缺席是门诊容量的无声敌人。人工智能可以有力地帮助从历史匿名数据中提取缺席模式，将患者划分为风险范围，并使超额预订情况变得可见。但产生的一切都是概率的估计。风险评分从来都不是排除的工具；用于保护访问的提醒和便利。超额预订应该是负担得起的、可衡量的，并分小步进行测试。最终的图表属于管理员，考虑到公平性和患者权利。
应用任务
获取您所在单位（或假设）每天的时段数量和平均缺席率。使用上面的“超额预订场景”模板向 AI 询问三种场景。然后手动验证公式（例如 40 个时段，25% 缺席 → 预计 30 个缺席；如果 +6 给出 46 个预约，预计约 34-35 个缺席）。在 5 项中写下您选择的场景及其原因；还要添加公平性检查。
清单
- [ ] 我是否对数据进行了匿名处理（无名称/ID/协议）？
- [ ] 我是否使用风险评分进行访问保留干预，而不是排除？
- [ ] 我是否使用公式手动验证了超额预订场景？
- [ ] 我是否已开始逐步超额预订并制定监控计划？
- [ ] 我是否通过了公平性过滤器并提交了经理批准最终时间表？