Adicionar ligações telefônicas baseadas em modelo preditivo às lembranças automatizadas reduz faltas em clínica de atenção primária e diminui disparidades raciais?
Resposta curta: Sim. Em um estudo randomizado de melhoria da qualidade, ligações telefônicas para pacientes de alto risco previstas por modelo de aprendizado de máquina reduziram significativamente as faltas em consultas presenciais de clínica de medicina interna. Houve redução expressiva para pacientes negros, sem piora das disparidades raciais e étnicas nas taxas de comparecimento.
Resposta
O estudo avaliou se a inclusão de ligações telefônicas direcionadas por um modelo preditivo de risco de falta, além dos lembretes automatizados padrão, poderia diminuir as taxas de não comparecimento em uma clínica de atenção primária de um sistema de saúde de rede de segurança. A intervenção foi desenhada para não agravar disparidades raciais e étnicas.
Trata-se de uma iniciativa de melhoria da qualidade randomizada e controlada, conduzida entre janeiro e agosto de 2022, com pacientes adultos agendados para consultas presenciais. Um modelo de floresta aleatória, treinado e validado internamente com dados de prontuário eletrônico, estimou o risco de falta. Pacientes com risco previsto igual ou superior a 15% foram randomizados para receber ou não as ligações telefônicas adicionais.
Foram analisados 5840 agendamentos com risco previsto de falta de 15% ou mais, sendo 2858 no grupo de cuidado ampliado e 2982 no grupo de cuidado padrão. O grupo que recebeu as ligações apresentou taxa de falta significativamente menor (33% vs 36%, p < 0,01).
A redução foi particularmente pronunciada entre pacientes negros (36% vs 42%, p < 0,001), diferença não observada entre pacientes brancos não hispânicos. Os autores concluem que a estratégia reduziu disparidades ao melhorar predominantemente o acesso para pacientes negros.
O resumo não detalha a composição exata da amostra, os critérios de inclusão além da idade adulta, nem o tempo de acompanhamento. Também não são descritas limitações específicas do estudo, mas a natureza de melhoria da qualidade e a realização em um único sistema de saúde podem restringir a generalização.
O que o estudo mostrou
Estudo randomizado controlado de melhoria da qualidade em clínica de atenção primária de medicina interna de um sistema de saúde de rede de segurança, com pacientes adultos e agendamentos presenciais entre janeiro e agosto de 2022. Um modelo de floresta aleatória previu risco de falta e os agendamentos com risco ≥15% foram randomizados para cuidado ampliado (ligações telefônicas adicionais) ou padrão. Foram 5840 agendamentos (2858 no grupo ampliado e 2982 no padrão). A taxa de falta foi menor no grupo ampliado (33% vs 36%, p < 0,01), com redução significativa para pacientes negros (36% vs 42%, p < 0,001), não observada em brancos não hispânicos.
Limitações
O resumo não informa o tamanho total da população elegível, os critérios detalhados de inclusão, a duração do seguimento ou o número de tentativas de contato. Por ser uma iniciativa de melhoria da qualidade em um único sistema de saúde de rede de segurança, a generalização para outros contextos é incerta. O resumo também não descreve limitações metodológicas específicas, como possível contaminação entre grupos ou viés de seleção.
Aplicação no consultório
A adoção de modelos preditivos para identificar pacientes com maior risco de falta pode orientar a alocação de recursos de secretaria para contato telefônico ativo, priorizando quem mais se beneficia. Em consultórios com população diversa, essa estratégia pode reduzir faltas e diminuir disparidades de acesso, sem sobrecarregar toda a agenda com ligações. A gestão deve garantir validação local do modelo e monitoramento das taxas de comparecimento por grupo racial e étnico.
Estudo citado
Reducing Disparities in No Show Rates Using Predictive Model-Driven Live Appointment Reminders for At-Risk Patients: a Randomized Controlled Quality Improvement Initiative. Journal of general internal medicine, 2023.
Autores: Tarabichi Y, Higginbotham J, Riley N, Kaelber DC, Watts B.
DOI: 10.1007/s11606-023-08209-0 · PubMed: PMID 37126125
Perguntas para aprofundar
- Como implementar um modelo preditivo de risco de falta na rotina de uma clínica de atenção primária?
- Quais estratégias de lembrete são mais eficazes para reduzir faltas em populações vulneráveis?
- Como monitorar disparidades raciais e étnicas nas taxas de comparecimento após intervenções de lembretes?
Mais sobre IA para previsão de no-show, agendamento e gestão de clínicas
- Chamadas de voluntários priorizadas por algoritmo preditivo de no-show aumentam o comparecimento de novos pacientes na atenção primária?
- Um modelo preditivo baseado em prontuário eletrônico pode reduzir faltas em consultas ambulatoriais?
- Um lembrete por chamada de voz interativa e mensagem de texto reduz faltas em consultas de atenção primária, e um modelo preditivo pode identificar pacientes de alto risco?
- Em pacientes com alto risco de falta, um lembrete adicional por mensagem de texto reduz o no-show em consultas de atenção primária e saúde mental?
- Notificações eletrônicas por texto melhoram a adesão de pacientes a consultas agendadas em comparação com nenhum lembrete?
Todas as perguntas sobre IA para previsão de no-show, agendamento e gestão de clínicas · Todos os temas · Versão em markdown