Hasta Randevu Kaçırma Tahmini: Yapay Zeka Randevu Slotlarının %23 Daha Fazlasını Nasıl Dolduruyor

Her boş randevu slotu, uzmanlık alanına bağlı olarak bir tıp pratiğine 150 ila 400 dolar arasında gelir kaybına mal olur. Birinci basamak sağlık hizmetlerinde ortalama randevu kaçırma oranları %18-23 civarında seyrederken, davranışsal sağlık gibi bazı uzmanlık alanlarında %25-30'a ulaşırken, kümülatif mali etki son derece büyüktür. Beş hekimli bir birinci basamak sağlık pratiği, %18 randevu kaçırma oranı ve ziyaret başına ortalama 200 dolar gelirle, yılda yaklaşık 360.000 doları boş koltuklara kaybeder. Yapay zeka tahmin modelleri randevu kaçırmayı tamamen ortadan kaldırmaz, ancak hangi hastaların randevularını kaçırma olasılığının en yüksek olduğunu, hedefli müdahaleleri anlamlı kılacak düzeyde doğrulukla belirler.

Tahmin Modellerini İşlevsel Kılan Nedir

Randevu kaçırma yönetimine geleneksel yaklaşım tek tiptir: her hastaya aynı zamanda, aynı kanal üzerinden aynı hatırlatmayı göndermek. Hiç yoktan iyidir, ancak mükemmel bir katılım geçmişine sahip bir hastaya, son üç randevusunu kaçırmış bir hastayla aynı şekilde davranır. Yapay zeka tahmin modelleri bu hastalar arasında ayrım yapar ve yanıtı buna göre uyarlar.

Tahmin doğruluğunu belirleyen girdi değişkenleri şunlardır:

• Belirli hastanın geçmiş randevu katılım kaydı
• Randevu alma ile randevu tarihi arasındaki süre (daha uzun süreler, daha yüksek randevu kaçırma oranlarıyla ilişkilidir)
• Haftanın günü ve günün saati (Pazartesi sabahı ve Cuma öğleden sonra slotları daha yüksek randevu kaçırma oranları gösterir)
• Hava durumu tahmini (şiddetli hava koşulları %15-20 daha yüksek randevu kaçırma oranlarıyla ilişkilidir)
• Randevu türü (kontrol randevularında, yeni hasta ziyaretlerine kıyasla daha yüksek kaçırma oranları görülür)
• Sigorta türü (Medicaid popülasyonları tarihsel olarak daha yüksek randevu kaçırma oranları gösterir; bu genellikle niyetten ziyade ulaşım engellerinden kaynaklanır)
• Muayenehaneye uzaklık
• Önceki iptal kalıpları
• Hastanın randevuyu kendisinin mi aldığı yoksa personel tarafından mı planlandığı

Bu değişkenlerle eğitilen makine öğrenimi modelleri, hangi randevuların kaçırılacağını tahmin etmede %80-85 doğruluk oranına ulaşır. Bu doğruluk düzeyi, tek tip olarak uygulanması pratik olmayan hedefli müdahaleleri mümkün kılar.

Risk Puanlarına Dayalı Hedefli Müdahaleler

Model her randevuya bir risk puanı atadıktan sonra, muayenehane kademeli müdahale stratejileri uygulayabilir. Yaygın bir yaklaşım üç kademe kullanır:

Düşük risk (%15'in altında olasılık): Randevudan 48 saat ve 24 saat önce SMS veya e-posta yoluyla standart otomatik hatırlatmalar. Bu hastalar genellikle ek müdahale olmadan randevularına gelirler.

Orta risk (%15-40 olasılık): Personelden kişisel telefon araması, 72 saatten başlayan daha erken ve daha sık hatırlatmalar ve orijinal zamanın artık uygun olmaması durumunda yeniden planlama teklifi dahil geliştirilmiş iletişim. Bazı muayenehaneler, erişim engeli olduğu belirlenen hastalar için ulaşım yardımı bilgisi de ekler.

Yüksek risk (%40'ın üzerinde olasılık): Doğrudan telefon teması, aynı gün onay gereksinimi ve slot, potansiyel çift rezervasyon veya bekleme listesinden doldurma için işaretlenir. Bazı muayenehaneler, ulaşım veya zamanlama engelleriyle karşılaşabilecek yüksek riskli hastalara alternatif olarak teletıp sunar.

Çift rezervasyon stratejisi özellikle dikkat çekicidir. Yapay zeka destekli çift rezervasyon kullanan muayenehaneler, hasta bekleme sürelerinde önemli bir artış olmadan %20-25 daha fazla randevu slotunu doldurduklarını bildirmektedir; çünkü model hangi slotların boşalacağını doğru bir şekilde tahmin eder. Yapay zeka tahmini olmadan çift rezervasyon, ya aşırı rezervasyon kaosuna ya da devam eden boş slotlara yol açan bir kumardır.

Gerçek Uygulamalardan Sonuçlar

Yapay zeka randevu kaçırma tahmini kullanan muayenehanelerden yayınlanan sonuçlar tutarlı bir şekilde anlamlı iyileşme göstermektedir. 2024 yılında 12 birinci basamak sağlık pratiğinde yapılan bir çalışma, yapay zeka hedefli müdahalelerin randevu kaçırma oranlarını %19,2'den %11,4'e düşürdüğünü, yani %41'lik göreli bir azalma sağladığını ortaya koymuştur. Akıllı aşırı rezervasyonla birleştirildiğinde, net randevu kullanım oranı %23 iyileşmiştir.

Uzmanlık muayenehaneleri, başlangıç randevu kaçırma oranları daha yüksek ve randevu başına gelir daha fazla olduğu için daha da büyük kazanımlar elde eder. Tahmin modelleri kullanan davranışsal sağlık muayenehaneleri, randevu kaçırma oranlarını %28'den %15'e düşürerek, daha önce kaybedilen gelirden hekim başına yılda ortalama 180.000 dolar geri kazanmıştır.

Müdahalelerin kendisi nispeten düşük maliyetlidir. Ekstra bir telefon araması veya SMS mesajının marjinal maliyeti, doldurulan slot başına 150-400 dolarlık gelir geri kazanımıyla karşılaştırıldığında ihmal edilebilir düzeydedir. Hedefli iletişim, tahmin edilen randevu kaçırmalarının yalnızca %20-30'unu tutulan randevulara dönüştürse bile, yatırım getirisi ezici bir şekilde pozitiftir.

Bekleme Listesi Bağlantısı

Yapay zeka tahmini, akıllı bir bekleme listesi sistemiyle bağlandığında özellikle güçlü hale gelir. Yüksek riskli bir randevu 48-72 saat öncesinden belirlendiğinde, sistem eş zamanlı olarak, slot açılırsa onu doldurabilecek bekleme listesindeki hastalara ulaşmaya başlayabilir. Tahmin edilen randevu kaçırma onaylandığında, yerine gelecek hasta zaten hazırdır.

Bu, bekleme listesini personelin ara sıra kontrol ettiği pasif bir listeden aktif, otomatik bir doldurma sistemine dönüştürür. Muayenehaneler, randevu kaçırmaları nedeniyle boşalan slotların %40-60'ının otomatik bekleme listesi yönetimi ile doldurulduğunu bildirmektedir; bu oran personelin bekleme listesini manuel olarak yönettiği durumlarda %10-15'tir.

Randevu planlama optimizasyonu için yapay zeka araçları uygulayan sağlık kuruluşları, mevcut randevu kaçırma kalıplarını hekim, gün, saat, randevu türü ve hasta demografisi bazında analiz ederek başlamalıdır. Bu temel analiz, genellikle toplu düzeyde görünmez olan ancak veriler segmentlere ayrıldığında belirgin hale gelen kalıpları ortaya çıkarır. Bir muayenehane, genel randevu kaçırma oranının %18 olduğunu, ancak Salı öğleden sonra davranışsal sağlık kontrol randevularının %35'e ulaştığını, Çarşamba sabahı yeni hasta ziyaretlerinin ise %6'da kaldığını keşfedebilir. Bu segmentasyon, yapay zeka tahmin modellerinin kodlamada ve harekete geçmede mükemmel olduğu tam da bu noktadır.

Gelir Etkisinin Ötesinde

Faydalar, slotları doldurmak ve geliri geri kazanmanın ötesine uzanır. Daha iyi randevu kullanımı, kayıt yaptırmaya çalışan yeni hastalar için daha kısa bekleme süreleri anlamına gelir. İhtiyaç duyulan takip bakımının alınmasında daha az gecikme yaşayan hasta anlamına gelir. Hekimlerin, gerçek hasta akışını yansıtmayan bloke programların yarattığı hayal kırıklığı olmadan sürdürülebilir hasta paneli boyutlarını koruyabilmesi anlamına gelir. Operasyonel iyileşme, basit gelir rakamlarının tam olarak yansıtamadığı şekillerde tüm muayenehaneye yayılır.