Предиктивная аналитика для клиник: как прогнозировать неявки пациентов

Автор: CMO Colobridge GmbH Волнянский А.

Во многих медицинских клиниках рабочий день начинается похоже: один клиент не пришел вовремя, второй отменил запись за 20 минут, а третий пытается дозвониться, чтобы перенести прием, но не дожидается ответа. Предиктивная аналитика для клиник может помочь сократить количество пустующих слотов и сделать работу с записью удобнее как для администраторов, так и для пациентов. 

Как это работает: система анализирует имеющиеся данные и оценивает вероятность пропуска следующего визита, чтобы заранее предупредить об этом администратора. Конечно, высокоточные прогнозы сами по себе не вернут пациента в кабинет врача, поэтому важно встроить аналитику во все основные процессы: подтверждение визита, напоминания, работу со списками ожидания. 

В этой статье расскажем об административных процессах клиники: записи, подтверждении визитов, переносах и загрузке расписания. Предиктивная модель не используется для диагностики, выбора лечения или определения клинической срочности. 

• Почему клинике мало анализировать только неявки
• Как работает предиктивная аналитика для клиник
• Как превратить прогноз неявки в реальное действие
• Как проверить эффективность предиктивной аналитики в клинике
• Предиктивная аналитика в клиниках требует надежной IT-инфраструктуры
• Как начать внедрение предиктивной аналитики для клиник
• Самое главное о предиктивной аналитике для клиник
• Часто задаваемые вопросы

Почему клинике мало анализировать только неявки

Вести статистику пациентов, которые не пришли на прием, полезно. Но так мы узнаем только о том, что уже произошло, а не о причинах проблемы. 

Например, пациент мог:

• не получить напоминание;
• перепутать время или адрес;
• захотеть перенести прием, но не найти удобного способа;
• не дозвониться до клиники;
• записаться за несколько недель и забыть;
• отменить прием слишком поздно.

В опросе Consumer Health Insights 2023 от McKinsey 60% респондентов сообщили о проблемах с записью на прием, и 27% из них в итоге обратились в другую клинику.

Чтобы понять, на каком этапе «теряются» пациенты, необходимо подключать не классическую, а предиктивную аналитику. 

Как работает предиктивная аналитика для клиник

Классическая аналитика отвечает на вопрос «что происходило раньше?», а предиктивная – «что с определенной вероятностью произойдет дальше?». Во втором случае модель анализирует предыдущие записи и ищет признаки, которые могут указывать на возможную неявку, чтобы каждая запись получила оценку риска.

Например, пациент три недели назад записался на прием к терапевту в четверг, 16:00. Если за день он не подтвердил визит, а SMS-напоминание не было доставлено по техническим причинам, система присвоит ему повышенный риск неявки.

Никто не знает на 100%, придет человек или нет – аналитика лишь оценивает вероятность наступления или ненаступления конкретного события. Кроме того, важно различать разные события:

Событие	Что произошло
Неявка	Пациент не пришел и не предупредил об этом заранее
Поздняя отмена	Пациент отменил запись, но времени на заполнение слота почти не осталось
Заблаговременная отмена	Пациент заранее сообщил, что не придет
Перенос	Визит состоялся в другую дату или время
Отмена клиникой	Запись отменил медицинский центр
Техническая ошибка	Дублированная или некорректная запись

На практике точность прогнозирования напрямую зависит от полноты данных. В нашем случае не обязательно нужны диагнозы или другие чувствительные данные. Намного важнее получить данные, которые появляются в процессе записи:

• дата и время создания записи;
• дата и время запланированного приема;
• промежуток между записью и визитом;
• канал записи;
• филиал;
• тип приема;
• история переносов и отмен;
• история предыдущих посещений;
• статус подтверждения;
• факт отправки и доставки напоминания;
• канал коммуникации;
• финальный статус записи.

Если мы прогнозируем неявку за 48 часов до приема, в признаки можно включить только ту информацию, которая была известна за 48 часов до этого приема. Финальный статус визита используется при обучении как результат, но не как входной параметр будущего прогноза. Также необходимо проверить, одинаково ли события фиксируются во всех системах клиники. МИС может считать запись перенесенной, CRM — закрытой, а коммуникационная платформа — создать новый объект. Без очистки данных одна реальная запись легко превращается в несколько искусственных событий.

Про общий подход к подготовке данных — как их собрать, очистить, согласовать и только затем использовать — мы писали в статье об управлении данными. 

На первый взгляд кажется, что чем больше данных знает модель, тем лучше. На самом деле, во многих случаях это лишь усложняет работу, но не повышает точность прогнозирования. Поэтому важно выделить минимальный набор данных, достаточный для решения конкретной задачи. Помимо этого, необходимо определиться, где и как долго будут храниться эти данные, кто получит к ним доступ, как будут фиксироваться действия пользователей, настроено ли резервное копирование данных и т. п.

Как превратить прогноз неявки в реальное действие

Возьмем пациента, который записался на прием две недели назад. За два дня до визита администратор клиники отправил ему напоминание, но так и не получил подтверждения. В результате модель определяет риск неявки как высокий. Что происходит дальше?

Не нужно автоматически отменять запись или делать вывод, что пациент «ненадежный». Лучше добавить еще одну проверку: связаться с пациентом напрямую, помочь с подтверждением визита, предложить перенос, если согласованное время уже не подходит. И только в случае отмены визита стоит переключаться на работу со списком ожидания. 

Таким образом, предиктивная аналитика в клинике не заменяет администратора, а помогает понять, где ему нужно уделить больше внимания работе с пациентом. А конечная эффективность зависит от полноты и качества данных, процесса записи, каналов коммуникации, качества модели и — самое главное — от того, что клиника делает после получения прогноза. 

Как проверить эффективность предиктивной аналитики в клинике

Для этого необходимо зафиксировать, что считается неявкой, заблаговременной отменой, переносом и слотом, который освободился. Далее необходимо выбрать один процесс для анализа и развернуть систему. Начинать со всей клиники не имеет смысла – достаточно будет одного филиала или одного направления. 

На следующем этапе сравниваем результаты работы ИИ с простым правилом. Например, наша модель чаще всего выделяет пациентов, которые не получили напоминание. Тогда ее нужно сравнить с гораздо более простым алгоритмом: «администратор дополнительно проверяет все записи с уведомлениями, которые не были доставлены». Если эффект точно такой же или похожий при меньших затратах, не стоит усложнять систему. 

Предиктивная аналитика в клиниках требует надежной IT-инфраструктуры

Прогнозная модель — лишь один из необходимых компонентов. Чтобы прогноз появился вовремя и попал к администратору, данные должны передаваться между несколькими системами. Это значит, что инфраструктуру необходимо продумать и развернуть заранее. 

Для этого следует выяснить:

• Где обрабатываются данные? Необходимо понимать физическое и логическое расположение систем и требования к работе с соответствующим типом информации.
• Кто имеет доступ? Права необходимо назначать по ролям и контролировать.
• Что произойдет при сбое? Если система записи критична для ежедневной работы, нужен план ее восстановления.
• Где находятся резервные копии? Резервирование защищает данные, но его нужно отличать от полноценного аварийного восстановления сервиса.

COO Colobridge GmbH, Михайленко А.:

«В AI-проектах для клиник качество модели — только часть задачи. Не менее важно заранее понять, где будут обрабатываться данные, как они будут передаваться между системами, кто получит к ним доступ и как быстро инфраструктуру можно восстановить после сбоя. Поэтому архитектуру хранения, резервного копирования и восстановления лучше проектировать еще до запуска пилота».

Правовые основания обработки медицинских и персональных данных, сроки хранения и ответственность сторон необходимо отдельно определить с учетом конкретной юрисдикции. 

Главная идея проста: лучший AI-проект для клиники — не тот, где используется самая сложная модель, а тот, который помогает пациенту вовремя попасть на прием, а клинике разумнее использовать доступное время специалистов.

Как начать внедрение предиктивной аналитики для клиник

Начинать стоит с проблемы, которую нужно решить. Например, на одном из направлений 12% записей заканчиваются неявкой. Администраторы вручную обзванивают всех пациентов за день до приема, но не успевают связаться со всеми. Тогда важно понять, можно ли определять записи, где будет полезно дополнительно связаться с пациентом. И на основе этого уже строить пилот.

Последовательность действий может выглядеть так:

• определить целевой процесс и KPI;
• проверить качество исторических данных;
• согласовать определения no-show, отмены и переноса;
• определить минимально необходимый набор признаков;
• построить базовое правило для сравнения;
• обучить и проверить прогнозную модель;
• интегрировать прогноз в работу администратора;
• провести контролируемый пилот;
• сравнить бизнес-результат с исходным процессом;
• только после этого принимать решение о масштабировании.

Самое главное о предиктивной аналитике для клиник

• Начинать необходимо с конкретной административной задачи.
• Нельзя смешивать неявку, отмену визита и его перенос. 
• Достаточно использовать минимально необходимый набор данных.
• Необходимо сравнивать ML не только с прошлым процессом, но и с простыми правилами
• Стоит измерять в первую очередь бизнес-эффект, а не только точность алгоритма.
• Всегда оставлять место человеческому контролю. 
• Заранее проектировать защиту, резервирование и восстановление данных.
• Масштабировать систему только после успешного пилота.

Хотите понять, можно ли прогнозировать неявки именно в вашей клинике? Начните не с внедрения AI, а с оценки данных и одного процесса. Команда Colobridge поможет определить, какие данные уже доступны, какой сценарий подходит для пилота и какая инфраструктура потребуется для его запуска и расскажет о возможностях инструмента предиктивной аналитики Colobridge AI. 

Часто задаваемые вопросы