通过预测患者爽约行为改善医疗就诊管理

医疗预约的低出席率与不良健康结局及服务提供者的效率问题相关。为解决该问题，医疗管理者可致力于提高出席率或通过调整资源分配策略来最小化爽约的运行影响。然而，鉴于患者行为的不确定性，生成有关爽约概率的相关信息可支持两种方法的决策过程。在此背景下，许多研究者已使用多种回归模型来识别可作为爽约概率良好预测因子的患者和预约特征。本工作开发了一个决策支持系统(DSS)，以支持在哥伦比亚波哥大针对服务不足社区的预防保健项目中实施鼓励出席的策略。我们对文献的贡献有三方面。首先，我们评估了不同机器学习方法提高回归模型准确性的有效性。特别地，使用随机森林(Random Forest)和神经网络(Neural Networks)对问题建模以考虑非线性和变量交互。其次，我们提出一种新颖的逐层相关性传播(Layer-wise Relevance Propagation)用法，以改进神经网络预测的可解释性并从建模步骤中获得洞见。第三，我们识别出在发展中国家情境中解释爽约概率的变量，并研究其政策含义及改善医疗可及性的潜力。除量化先前研究报道的关系外，我们发现收入和社区犯罪统计影响爽约概率。我们的结果将支持试点行为干预中的患者优先级排序，并为预约规划决策提供信息。