A212 PREDICTIVE OVERBOOKING TO PREVENT ENDOSCOPY CLINIC NONATTENDANCE: MODEL DEVELOPMENT
Notice bibliographique
Résumé
Outpatient endoscopy is a procedure that has a historically high nonattendance rate. This situation runs counter to the current logic of rationalizing healthcare resources in Canada and necessitates the development of novel strategies to improve efficiency in care delivery. Given the success of the predictive overbooking model in the Veterans Affairs Greater LA Healthcare System developed by Reid et al. in 2015, we wondered if a similar model could be implemented in Canada. This study aims to develop an algorithm based on electronic health record data for identifying patient absenteeism at the outpatient endoscopy clinic at the Kingston Health Sciences Centre - Hotel Dieu Hospital Site in Kingston, Ontario. In this retrospective case-control study, we manually reviewed 1219 charts from March 2017 and May 2017. Patients included in this study were scheduled for esophagogastroduodenoscopy, flexible sigmoidoscopy, colonoscopy, and other procedures requiring time in the endoscopy suite such as paracenteses. We collected data on previously identified factors that were found to impact outpatient endoscopy attendance rates and then fitted a multivariate logistic regression model to evaluate nonattendance risk. Univariate analyses identified several independently significant variables (p < 0.05) for no show including the season of the appointment date, bowel preparation requirements, marital status, referral type, indication for procedure, previous absenteeism from endoscopic procedures, cancellation proportion, and history of previous GI procedure. Further multivariate analysis identified three statistically significant predictors (p < 0.05) for our model including having a winter appointment date, having a high proportion of cancelled healthcare appointments to total healthcare appointments, and being referred to endoscopy by a specialist physician, including those triaged directly to endoscopy. Electronic health record data can be used to identify predictors of patient absenteeism and to generate a predictive model for nonattendance to outpatient endoscopic procedures. Interestingly, the winter season has a significant impact on no show rates and suggests a specific window of opportunity for predictive overbooking. Next steps include the prospective validation of this model to determine its accuracy in predicting nonattendance. None
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,015 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».