Arrow
use cases

Reduzindo o não comparecimento com agendamento com IA

Aumente as taxas de comparecimento às consultas, reduza a carga financeira do não comparecimento e melhore os resultados de saúde com a IA.

Problem

Nacionalmente, os pacientes perdem 30% das consultas agendadas, resultando em uma carga financeira anual de 150 bilhões de dólares para o sistema de saúde (1). Essa alta taxa de consultas perdidas não apenas cria uma pressão financeira significativa para as clínicas, custando uma média de $200 por consulta perdida e acumulando mais de $250.000 anualmente por clínica, mas também representa sérios riscos à saúde dos indivíduos (1) (2). As consultas perdidas interrompem a continuidade dos cuidados, aumentam o uso de serviços de cuidados agudos e levam a declínios na saúde que poderiam ter sido mitigados ou evitados com diagnóstico e tratamento oportunos (3). Para pacientes com doenças crônicas, como problemas de saúde mental de longo prazo, perder mais de duas consultas por ano pode aumentar o risco de mortalidade em oito vezes em comparação com aqueles que não faltam às consultas (4).

Why it matters

  • Os pacientes perdem 30% das consultas agendadas, resultando em uma carga financeira anual de 150 bilhões de dólares para o sistema de saúde.
  • Cada consulta perdida custa às clínicas uma média de $200, resultando em mais de $250.000 em perdas anuais por clínica.
  • As consultas perdidas interrompem a continuidade dos cuidados e podem aumentar o risco de mortalidade em oito vezes para pacientes com doenças crônicas, particularmente problemas de saúde mental.

Solution

O “NoShowPredict AI” é um modelo preditivo de IA projetado especificamente para calcular a probabilidade de o paciente não comparecer às consultas médicas. Ao avaliar os fatores relacionados ao paciente e os detalhes da consulta, o NoShowPredict AI visa reduzir a taxa de consultas perdidas e aliviar as repercussões financeiras e relacionadas aos cuidados associados a elas.

Discover more and interact with our AI!

Datasources

O conjunto de dados sintéticos usado para treinar o modelo foi baseado em padrões e insights derivados de estudos sobre manutenção de consultas. As pesquisas de Hwang et al. (1), Marbouh et al. (2), McQueenie et al. (3) e Kullgren et al. (4) fornecem uma análise das causas e consequências das consultas perdidas, que foram usadas para reconhecer possíveis fatores de não comparecimento e treinar o modelo.

Citations

  1. Hwang, Andrew S., et ai. “O não comparecimento às consultas é um indicador independente da qualidade subsequente do atendimento e dos resultados da utilização de recursos.” Journal of General Internal Medicine, vol. 30, nº 10, 17 de março de 2015, pp. 1426-1433, doi:10.1007/511606-015-3252-3. Acessado em 17 de março de 2021.
  2. Marbouh, Dounia e outros. “Avaliando o impacto da ausência de pacientes na qualidade do serviço” Gestão de riscos e política de saúde, vol. 13, 4 de junho de 2020, pp. 509-517, doi:10.2147/rmhp.s232114. Acessado em 17 de março de 2021.
  3. McQueenie, Ross e outros. “Morbidade, mortalidade e consultas perdidas na área da saúde: um estudo nacional retrospectivo de vinculação de dados.” BMC Medicine, vol. 17, nº 1, 11 de janeiro de 2019, doi:10.1186/s12916-018-1234-0. Acessado em 17 de março de 2021.
  4. Kullgren, Jeffrey T. e outros. “Barreiras não financeiras e acesso a cuidados para adultos dos EUA.” Pesquisa de Serviços de Saúde, vol. 47, nº 1, 22 de agosto de 2011, pp. 462-485, doi: ,1111/51475-6773.2011.01308.x. Acessado em 18 de março de 2021.

Agende uma consulta gratuita

Com a confiança das principais instituições de saúde do mundo