Las ausencias y cancelaciones tard\u00edas de pacientes son problemas comunes que afectan negativamente a las organizaciones de atenci\u00f3n m\u00e9dica’ rendimiento financiero y la calidad del servicio y puede limitar significativamente el acceso de otros pacientes que buscan atenci\u00f3n. <\/p>\n
<\/p>\n
El objetivo de este proyecto de investigaci\u00f3n era crear un , modelo de aprendizaje autom\u00e1tico de alto rendimiento para predecir ausencias y cancelaciones tard\u00edas para citas de neurolog\u00eda para pacientes ambulatorios.<\/p>\n
<\/p>\n
Para mitigar los efectos adversos de no- espect\u00e1culos y cancelaciones tard\u00edas, muchas cl\u00ednicas 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 predicci\u00f3n precisa de las ausencias. Un enfoque de overbooking inexacto puede crear otros problemas, como la colisi\u00f3n de programaci\u00f3n, lo que conduce a mayores tiempos de espera de los pacientes y costos de horas extra. <\/p>\n
Estos problemas nos motivaron a proponer un modelo que puede predecir la probabilidad de que el paciente no espect\u00e1culos y cancelaciones tard\u00edas de citas de neurolog\u00eda. Se eligi\u00f3 este departamento porque hay un n\u00famero limitado de neur\u00f3logos disponibles para satisfacer una demanda cada vez mayor, y el campo sufre altos \u00edndices de ausencias y cancelaciones tard\u00edas.<\/p>\n
<\/p>\n
El equipo de reingenier\u00eda de atenci\u00f3n m\u00e9dica del Steele Institute, junto con su estudiante de doctorado en pr\u00e1cticas, desarrollaron un enfoque para metodolog\u00edas de selecci\u00f3n de caracter\u00edsticas mediante el uso de algoritmos gen\u00e9ticos (GA) y clasificaci\u00f3n no dominada. algoritmo gen\u00e9tico II (NSGA-II) como estrategias de b\u00fasqueda. Los resultados indicaron que los modelos desarrollados son muy comparables con los m\u00e9todos conocidos, como la eliminaci\u00f3n recursiva de caracter\u00edsticas.<\/p>\n
Contribuimos a la literatura mediante el dise\u00f1o de un modelo de apilamiento, en el que los modelos b\u00e1sicos se construyen en funci\u00f3n de diferentes subconjuntos. de caracter\u00edsticas para una determinada t\u00e9cnica predictiva. Los resultados mostraron que el modelo de apilamiento tiene un mejor rendimiento que cada clasificador base individual.<\/p>\n
Luego dise\u00f1amos un proceso jer\u00e1rquico para sopesar y clasificar la importancia de cada funci\u00f3n. Buscamos entre una gran cantidad de caracter\u00edsticas e introdujimos otras nuevas que pueden contribuir significativamente a la predicci\u00f3n de ausencias y cancelaciones tard\u00edas para neurolog\u00eda. 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
tard\u00edas.<\/p>\n
La propuesta El modelo podr\u00eda usarse potencialmente para ayudar a los programadores con las decisiones sobre el exceso de reservas para disminuir el riesgo de colisi\u00f3n de programaci\u00f3n. Tambi\u00e9n se pueden incorporar otras intervenciones, como enviar m\u00faltiples recordatorios y hacer llamadas telef\u00f3nicas 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.<\/p>\n
<\/p>\n
https:\/\/www.tandfonline.com\/doi\/full\/10.1080\/24725579.2019.1649764<\/p>\n","protected":false},"excerpt":{"rendered":"
El problema: Las ausencias y cancelaciones tard\u00edas de pacientes son problemas comunes que afectan negativamente a las organizaciones de atenci\u00f3n m\u00e9dica’ rendimiento financiero y la calidad del servicio y puede limitar significativamente el acceso de otros pacientes que buscan atenci\u00f3n. El objetivo: El objetivo de este proyecto de investigaci\u00f3n era crear un , modelo de … Continuar leyendo \u00abUso del aprendizaje autom\u00e1tico para predecir ausencias y cancelaciones tard\u00edas\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-38429","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/38429","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/comments?post=38429"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/38429\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=38429"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=38429"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=38429"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}