El problema:
Las ausencias y cancelaciones tardías de pacientes son problemas comunes que afectan negativamente a las organizaciones de atención médica’ rendimiento financiero y la calidad del servicio y puede limitar significativamente el acceso de otros pacientes que buscan atención.
El objetivo:
El objetivo de este proyecto de investigación era crear un , modelo de aprendizaje automático de alto rendimiento para predecir ausencias y cancelaciones tardías para citas de neurología para pacientes ambulatorios.
Cómo llegamos allí:
Para mitigar los efectos adversos de no- espectáculos y cancelaciones tardías, muchas clínicas implementan una estrategia de overbooking. El overbooking generalmente se entiende como la reserva de dos pacientes para el mismo horario de cita, donde uno de los pacientes se identifica preliminarmente como de alto riesgo de no presentarse. Para evaluar dicho riesgo, es esencial una predicción precisa de las ausencias. Un enfoque de overbooking inexacto puede crear otros problemas, como la colisión de programación, lo que conduce a mayores tiempos de espera de los pacientes y costos de horas extra.
Estos problemas nos motivaron a proponer un modelo que puede predecir la probabilidad de que el paciente no espectáculos y cancelaciones tardías de citas de neurología. Se eligió este departamento porque hay un número limitado de neurólogos disponibles para satisfacer una demanda cada vez mayor, y el campo sufre altos índices de ausencias y cancelaciones tardías.
El resultado:
El equipo de reingeniería de atención médica del Steele Institute, junto con su estudiante de doctorado en prácticas, desarrollaron un enfoque para metodologías de selección de características mediante el uso de algoritmos genéticos (GA) y clasificación no dominada. algoritmo genético II (NSGA-II) como estrategias de búsqueda. Los resultados indicaron que los modelos desarrollados son muy comparables con los métodos conocidos, como la eliminación recursiva de características.
Contribuimos a la literatura mediante el diseño de un modelo de apilamiento, en el que los modelos básicos se construyen en función de diferentes subconjuntos. de características para una determinada técnica predictiva. Los resultados mostraron que el modelo de apilamiento tiene un mejor rendimiento que cada clasificador base individual.
Luego diseñamos un proceso jerárquico para sopesar y clasificar la importancia de cada función. Buscamos entre una gran cantidad de características e introdujimos otras nuevas que pueden contribuir significativamente a la predicción de ausencias y cancelaciones tardías para neurología. Nuestros resultados mostraron que el tiempo de entrega, el tipo de cita y el historial de ausencias del departamento durante los seis meses anteriores a la fecha de la cita se encuentran entre los principales factores para predecir las ausencias de los pacientes y las cancelaciones
tardías.
La propuesta El modelo podría usarse potencialmente para ayudar a los programadores con las decisiones sobre el exceso de reservas para disminuir el riesgo de colisión de programación. También se pueden incorporar otras intervenciones, como enviar múltiples recordatorios y hacer llamadas telefónicas de seguimiento solo a pacientes de alto riesgo en lugar de recordar a todos los pacientes, lo que ha demostrado en la literatura que es una estrategia ineficaz.
Lea el artículo completo:
https://www.tandfonline.com/doi/full/10.1080/24725579.2019.1649764