Предиктивна аналітика для клінік: як прогнозувати неявки пацієнтів

У багатьох медичних клініках робочий день починається схоже: один клієнт не прийшов вчасно, другий скасував запис за 20 хвилин, а третій намагається додзвонитися, щоб перенести прийом, але не дочікується відповіді. Предиктивна аналітика для клінік може допомогти скоротити кількість порожніх слотів і зробити роботу із записом зручнішою як для адміністраторів, так і для пацієнтів.

Як це працює: система аналізує наявні дані та оцінює ймовірність пропуску наступного візиту, щоб заздалегідь попередити про це адміністратора. Звісно, високоточні прогнози самі по собі не повернуть пацієнта до кабінету лікаря, тому важливо інтегрувати аналітику в усі основні процеси: підтвердження візиту, нагадування, роботу зі списками очікування.

У цій статті розповімо про адміністративні процеси клініки: запис, підтвердження візитів, перенесення та завантаження розкладу. Предиктивна модель не використовується для діагностики, вибору лікування або визначення клінічної терміновості.

• Чому клініці недостатньо аналізувати лише неявки
• Як працює предиктивна аналітика для клінік
• Як перетворити прогноз неявки на реальну дію
• Як перевірити ефективність предиктивної аналітики в клініці
• Предиктивна аналітика в клініках потребує надійної IT-інфраструктури
• Як почати впровадження предиктивної аналітики для клінік
• Найголовніше про предиктивну аналітику для клінік
• Часті запитання

Чому клініці недостатньо аналізувати лише неявки

Вести статистику пацієнтів, які не прийшли на прийом, корисно. Але так ми дізнаємося лише про те, що вже сталося, а не про причини проблеми.

Наприклад, пацієнт міг:

• не отримати нагадування;
• переплутати час або адресу;
• захотіти перенести прийом, але не знайти зручного способу;
• не додзвонитися до клініки;
• записатися за кілька тижнів і забути;
• скасувати прийом надто пізно.

В опитуванні Consumer Health Insights 2023 від McKinsey 60% респондентів повідомили про проблеми із записом на прийом, і 27% із них у підсумку звернулися до іншої клініки.

Щоб зрозуміти, на якому етапі «втрачаються» пацієнти, необхідно підключати не класичну, а предиктивну аналітику.

Як працює предиктивна аналітика для клінік

Класична аналітика відповідає на запитання «що відбувалося раніше?», а предиктивна — «що з певною ймовірністю відбудеться далі?». У другому випадку модель аналізує попередні записи та шукає ознаки, які можуть вказувати на можливу неявку, щоб кожен запис отримав оцінку ризику.

Наприклад, пацієнт три тижні тому записався на прийом до терапевта в четвер, 16:00. Якщо за день він не підтвердив візит, а SMS-нагадування не було доставлено з технічних причин, система присвоїть йому підвищений ризик неявки.

Ніхто не знає на 100%, прийде людина чи ні — аналітика лише оцінює ймовірність настання або ненастання конкретної події. Крім того, важливо розрізняти різні події:

Подія	Що сталося
Неявка	Пацієнт не прийшов і не попередив про це заздалегідь
Пізнє скасування	Пацієнт скасував запис, але часу на заповнення слота майже не залишилося
Завчасне скасування	Пацієнт заздалегідь повідомив, що не прийде
Перенесення	Візит відбувся в іншу дату або час
Скасування клінікою	Запис скасував медичний центр
Технічна помилка	Дубльований або некоректний запис

На практиці точність прогнозування безпосередньо залежить від повноти даних. У нашому випадку не обов’язково потрібні діагнози або інші чутливі дані. Набагато важливіше отримати дані, які з’являються в процесі запису:

• дата та час створення запису;
• дата та час запланованого прийому;
• проміжок між записом і візитом;
• канал запису;
• філія;
• тип прийому;
• історія перенесень і скасувань;
• історія попередніх відвідувань;
• статус підтвердження;
• факт надсилання та доставки нагадування;
• канал комунікації;
• фінальний статус запису.

Якщо ми прогнозуємо неявку за 48 годин до прийому, до ознак можна включити лише ту інформацію, яка була відома за 48 годин до цього прийому. Фінальний статус візиту використовується під час навчання як результат, але не як вхідний параметр майбутнього прогнозу. Також необхідно перевірити, чи однаково події фіксуються в усіх системах клініки. МІС може вважати запис перенесеним, CRM — закритим, а комунікаційна платформа — створити новий об’єкт. Без очищення даних один реальний запис легко перетворюється на кілька штучних подій.

Про загальний підхід до підготовки даних — як їх зібрати, очистити, узгодити й лише потім використовувати — ми писали у статті про управління даними.

На перший погляд здається, що чим більше даних знає модель, тим краще. Насправді в багатьох випадках це лише ускладнює роботу, але не підвищує точність прогнозування. Тому важливо виділити мінімальний набір даних, достатній для розв’язання конкретного завдання. Крім цього, необхідно визначитися, де і як довго зберігатимуться ці дані, хто отримає до них доступ, як фіксуватимуться дії користувачів, чи налаштоване резервне копіювання даних тощо.

Як перетворити прогноз неявки на реальну дію

Візьмемо пацієнта, який записався на прийом два тижні тому. За два дні до візиту адміністратор клініки надіслав йому нагадування, але так і не отримав підтвердження. У результаті модель визначає ризик неявки як високий. Що відбувається далі?

Не потрібно автоматично скасовувати запис або робити висновок, що пацієнт «ненадійний». Краще додати ще одну перевірку: зв’язатися з пацієнтом безпосередньо, допомогти з підтвердженням візиту, запропонувати перенесення, якщо узгоджений час уже не підходить. І лише в разі скасування візиту варто переходити до роботи зі списком очікування.

Таким чином, предиктивна аналітика в клініці не замінює адміністратора, а допомагає зрозуміти, де йому потрібно приділити більше уваги роботі з пацієнтом. А кінцева ефективність залежить від повноти та якості даних, процесу запису, каналів комунікації, якості моделі та — найголовніше — від того, що клініка робить після отримання прогнозу.

Як перевірити ефективність предиктивної аналітики в клініці

Для цього необхідно зафіксувати, що вважається неявкою, завчасним скасуванням, перенесенням і слотом, який звільнився. Далі необхідно вибрати один процес для аналізу та розгорнути систему. Починати з усієї клініки немає сенсу — достатньо буде однієї філії або одного напряму.

На наступному етапі порівнюємо результати роботи ШІ з простим правилом. Наприклад, наша модель найчастіше виділяє пацієнтів, які не отримали нагадування. Тоді її потрібно порівняти з набагато простішим алгоритмом: «адміністратор додатково перевіряє всі записи з повідомленнями, які не були доставлені». Якщо ефект точно такий самий або схожий за менших витрат, не варто ускладнювати систему.

Предиктивна аналітика в клініках потребує надійної IT-інфраструктури

Прогнозна модель — лише один із необхідних компонентів. Щоб прогноз з’явився вчасно й потрапив до адміністратора, дані повинні передаватися між кількома системами. Це означає, що інфраструктуру необхідно продумати й розгорнути заздалегідь.

Для цього слід з’ясувати:

• Де обробляються дані? Необхідно розуміти фізичне та логічне розташування систем і вимоги до роботи з відповідним типом інформації.
• Хто має доступ? Права необхідно призначати за ролями та контролювати.
• Що станеться у разі збою? Якщо система запису критична для щоденної роботи, потрібен план її відновлення.
• Де знаходяться резервні копії? Резервування захищає дані, але його потрібно відрізняти від повноцінного аварійного відновлення сервісу.

COO Colobridge GmbH, Андрій Михайленко:

«У ШІ-проєктах для клінік якість моделі — лише частина завдання. Не менш важливо заздалегідь зрозуміти, де оброблятимуться дані, як вони передаватимуться між системами, хто отримає до них доступ і як швидко інфраструктуру можна відновити після збою. Тому архітектуру зберігання, резервного копіювання та відновлення краще проєктувати ще до запуску пілота».

Правові підстави обробки медичних і персональних даних, строки зберігання та відповідальність сторін необхідно окремо визначити з урахуванням конкретної юрисдикції.

Головна ідея проста: найкращий ШІ-проєкт для клініки — не той, де використовується найскладніша модель, а той, який допомагає пацієнту вчасно потрапити на прийом, а клініці — розумніше використовувати доступний час фахівців.

Як почати впровадження предиктивної аналітики для клінік

Починати варто з проблеми, яку потрібно розв’язати. Наприклад, в одному з напрямів 12% записів закінчуються неявкою. Адміністратори вручну обдзвонюють усіх пацієнтів за день до прийому, але не встигають зв’язатися з усіма. Тоді важливо зрозуміти, чи можна визначати записи, де буде корисно додатково зв’язатися з пацієнтом. І на основі цього вже будувати пілот.

Послідовність дій може виглядати так:

• визначити цільовий процес і KPI;
• перевірити якість історичних даних;
• узгодити визначення no-show, скасування та перенесення;
• визначити мінімально необхідний набір ознак;
• побудувати базове правило для порівняння;
• навчити та перевірити прогнозну модель;
• інтегрувати прогноз у роботу адміністратора;
• провести контрольований пілот;
• порівняти бізнес-результат із початковим процесом;
• лише після цього ухвалювати рішення про масштабування.

Найголовніше про предиктивну аналітику для клінік

• Починати необхідно з конкретного адміністративного завдання.
• Не можна змішувати неявку, скасування візиту та його перенесення.
• Достатньо використовувати мінімально необхідний набір даних.
• Необхідно порівнювати ML не лише з минулим процесом, а й із простими правилами.
• Варто вимірювати насамперед бізнес-ефект, а не лише точність алгоритму.
• Завжди залишати місце людському контролю.
• Заздалегідь проєктувати захист, резервування та відновлення даних.
• Масштабувати систему лише після успішного пілота.

Хочете зрозуміти, чи можна прогнозувати неявки саме у вашій клініці? Почніть не з упровадження ШІ, а з оцінки даних і одного процесу. Команда Colobridge допоможе визначити, які дані вже доступні, який сценарій підходить для пілота та яка інфраструктура знадобиться для його запуску, а також розповість про можливості інструмента предиктивної аналітики Colobridge AI.

Часті запитання