Arrow
use cases

Reducir las ausencias a las citas con la IA

Aumente tasas de asistencia a las citas, reduzca la carga financiera de las ausencias y mejore los resultados de salud con inteligencia artificial.

Problem

A nivel nacional, los pacientes pierden el 30% de sus citas programadas, lo que supone una carga financiera anual de 150 000 millones de dólares para el sistema de salud (1). Esta alta tasa de ausencias a las citas no solo supone una importante carga financiera para las clínicas, ya que cuesta una media de 200 dólares por cita perdida y se acumula hasta superar los 250 000 dólares anuales por clínica, sino que también plantea graves riesgos para la salud de las personas (1) (2). La falta de cita interrumpe la continuidad de la atención, aumenta el uso de los servicios de cuidados intensivos y provoca un deterioro de la salud que podría haberse mitigado o evitado con un diagnóstico y tratamiento oportunos (3). En el caso de los pacientes con enfermedades crónicas, como problemas de salud mental de larga duración, faltar a más de dos consultas al año puede aumentar ocho veces su riesgo de mortalidad en comparación con los pacientes que no faltan a las consultas (4).

Why it matters

  • Los pacientes pierden el 30% de las citas programadas, lo que supone una carga financiera anual de 150 000 millones de dólares para el sistema de salud.
  • Cada cita perdida cuesta a las clínicas un promedio de 200 dólares, lo que genera más de 250 000 dólares en pérdidas anuales por clínica.
  • La falta de citas interrumpe la continuidad de la atención y puede aumentar ocho veces el riesgo de mortalidad para los pacientes con enfermedades crónicas, en particular problemas de salud mental.

Solution

«NoShowPredict AI» es un modelo de IA predictiva diseñado específicamente para calcular la probabilidad de que los pacientes no se presenten a las citas médicas. Al evaluar los factores relacionados con los pacientes y los detalles de las citas, la IA de NoShowPredict tiene como objetivo reducir la tasa de ausencias a las citas y aliviar las repercusiones financieras y asistenciales asociadas a ellas.

Discover more and interact with our AI!

Datasources

El conjunto de datos sintéticos utilizado para entrenar el modelo se basó en patrones y conocimientos derivados de estudios sobre la gestión de citas. La investigación de Hwang y otros (1), Marbouh y otros (2), McQueenie y otros (3) y Kullgren y otros (4) proporciona un análisis de las causas y consecuencias de la falta de cita, que se utilizó para reconocer los posibles factores de falta de asistencia y entrenar el modelo.

Citations

  1. Hwang, Andrew S. y col. «Las ausencias a las citas son un indicador independiente de los resultados posteriores de la calidad de la atención y la utilización de los recursos». Revista de Medicina Interna General, vol. 30, núm. 10, 17 de marzo de 2015, págs. 1426-1433, doi:10.1007/511606-015-3252-3. Consultado el 17 de marzo de 2021.
  2. Marbouh, Dounia y col. «Evaluación del impacto de las ausencias de los pacientes en la calidad del servicio» Gestión de riesgos y política sanitaria, vol. 13, 4 de junio de 2020, págs. 509-517, doi:10.2147/rmhp.s232114. Consultado el 17 de marzo de 2021.
  3. McQueenie, Ross y col. «Morbilidad, mortalidad y falta de citas en la atención médica: un estudio retrospectivo nacional de vinculación de datos». BMC Medicine, vol. 17, n.º 1, 11 de enero de 2019, doi:10.1186/s12916-018-1234-0. Consultado el 17 de marzo de 2021.
  4. Kullgren, Jeffrey T. y col. «Barreras no financieras y acceso a la atención para adultos estadounidenses». Health Services Research, vol. 47, núm. 1, 22 de agosto de 2011, págs. 462 a 485, doi: ,1111/51475-6773.2011.01308.x. Consultado el 18 de marzo de 2021.

Reserve una consulta gratuita

Con la confianza de las principales instituciones de salud del mundo