Comparison of Predictive Models for Prevention of Missed Endoscopy Appointments- failure of a Predictive Model to Outperform Overbooking Model
Notice bibliographique
Résumé
BACKGROUND: Patient late cancelation and nonattendance for endoscopy appointments is an ongoing problem affecting the productivity and wait times of endoscopy units. Previous research evaluated a model for predictive overbooking and had promising results. STUDY: All endoscopy visits at an outpatient endoscopy unit during 4 nonconsecutive months were included in the data analysis. Patients who did not attend their appointment, or canceled with 48 hours of their appointment were considered nonattendees. Demographic, health, and prior visit behavior data was collected and the groups compared. RESULTS: 1780 patients attended 2331 visits in the study period. Comparing the attendee versus non-attendees, there were significant differences in mean age, prior absenteeism, prior cancelations, and total number of hospital visits. No significant differences were seen between groups in winter versus non-winter months, the day of the week, sex distribution, type of procedure booked, or whether the referral was from specialist clinic or direct to procedure. The visit cancelation proportion (calculated excluding current visit) was substantially higher in the absentee group ( P <0.0001). A predictive model was developed and compared to current booking as well as a straight overbooking of 7%. Both overbooking models performed better than the current practice, but the predictive overbooking model did not outperform straight overbooking. CONCLUSIONS: Developing an endoscopy unit specific predictive model may not be more beneficial than straight overbooking as calculated by missed appointment percentage.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».