Nationwide Prediction of Missed and Cancelled Appointments Using Real-World EHR Data

Diese Studie nutzt einen großen nationalen EHR-Datensatz, um mittels maschineller Lernverfahren (insbesondere XGBoost) hochpräzise Vorhersagemodelle für nicht genutzte ambulante Termine zu entwickeln und zu evaluieren.

Das Wesentliche

Stellen Sie sich vor, ein riesiges Gesundheitsnetzwerk in den USA ist wie ein riesiger, überfüllter Wartezimmer-Kalender. In diesem Kalender stehen Millionen von Terminen für Arztbesuche. Das Problem? Viele dieser Termine bleiben leer. Entweder kommt der Patient gar nicht (ein „No-Show") oder er storniert kurzfristig. Das ist, als würde ein Restaurant reservieren, aber niemand kommt – die Stühle bleiben leer, das Essen wird weggeworfen und die Ärzte haben Zeit, die sie nicht nutzen können.

Diese Studie war wie ein großes Detektiv-Abenteuer, um herauszufinden, warum diese Termine leer bleiben und ob man das vorhersagen kann, bevor es passiert.

Hier ist die Geschichte der Forschung, einfach erklärt:

1. Der riesige Datenschatz

Die Forscher haben nicht nur einen kleinen Kalender untersucht, sondern einen digitalen Ozean aus Daten (die „Cerner Real World Database"). Sie haben sich die Geschichte von fast 5,7 Millionen Arztterminen angesehen, die zwischen 2010 und 2025 stattgefunden haben. Das ist so viel Datenmaterial, als würde man jeden einzelnen Buchstaben in einer Bibliothek mit Millionen von Büchern durchsuchen.

2. Die Detektive und ihre Werkzeuge

Um das Rätsel zu lösen, setzten die Forscher drei verschiedene „Detektive" (Algorithmen) ein, die versuchen sollten, vorherzusagen, welcher Termin leer bleiben wird:

• Der Klassiker (Logistische Regression): Ein erfahrener, aber etwas strengerer Detektiv, der nach einfachen Regeln sucht.
• Der Sammler (Random Forest): Ein Team von Detektiven, das viele kleine Entscheidungen trifft und diese dann zusammenfasst.
• Der Super-Intellektuelle (XGBoost): Ein hochmoderner KI-Detektiv, der Muster erkennt, die für das menschliche Auge unsichtbar sind.

3. Was haben sie herausgefunden?

Das Ergebnis war erstaunlich: Der Super-Intellektuelle (XGBoost) war mit Abstand der beste Detektiv. Er hatte eine Trefferquote von 95 % (ein Score von 0,95). Das bedeutet, er konnte fast perfekt vorhersagen, ob ein Patient kommen würde oder nicht.

Wie hat er das gemacht?
Stellen Sie sich vor, der KI-Detektiv schaut sich nicht nur an, wer den Termin hat, sondern auch:

• Wann ist der Termin? (Ist es ein Montagmorgen oder ein Freitagabend im Winter?)
• Wie lange ist es her, seit der Patient das letzte Mal da war?
• Wie oft hat der Patient in der Vergangenheit abgesagt?
• Wo wohnt der Patient? (Stadt oder Land?)

Es stellte sich heraus, dass die Zusammenhänge sehr komplex sind. Es ist nicht so einfach wie „junge Leute sagen öfter ab". Manchmal sagt ein älterer Patient ab, wenn der Termin zu weit in der Zukunft liegt, und ein junger Patient kommt immer, wenn es nur 2 Tage vorher ist. Die KI hat diese krummen, verzweigten Pfade im Verhalten der Menschen gefunden.

4. Was bedeutet das für uns?

Stellen Sie sich vor, Sie sind der Chef eines Restaurants. Wenn Sie wüssten, dass Herr Müller mit 95-prozentiger Sicherheit nicht kommt, könnten Sie seinen Tisch sofort jemand anderem geben, der gerade hereinkommt.

Genau das ist das Ziel dieser Studie:

• Bessere Planung: Wenn das System weiß, dass ein Termin wahrscheinlich leer bleibt, kann die Praxis den Termin vielleicht an jemanden geben, der auf einer Warteliste steht.
• Erinnerungen: Wenn das System weiß, dass ein Patient ein hohes Risiko hat, zu fehlen, könnte eine besonders freundliche oder persönliche Erinnerung geschickt werden (z. B. eine SMS statt eines Briefes).
• Weniger Verschwendung: Ärzte und Kliniken müssen nicht mehr so viel Zeit für leere Stühle verschwenden.

Zusammenfassung in einem Satz

Die Forscher haben bewiesen, dass man mit Hilfe von moderner KI und den Daten, die Ärzte ohnehin schon sammeln, fast wie ein Wetterbericht für Arzttermine vorhersagen kann, wer kommen wird und wer nicht – und so helfen, dass keine Termine mehr ungenutzt im Kalender stehen bleiben.

Ein kleiner Hinweis am Rande: Die Studie hatte auch ihre Grenzen. Da sie auf alten Daten basierte, wussten sie manchmal nicht genau, ob ein Termin wegen einer echten Krankheit abgesagt wurde oder einfach nur vergessen wurde. Aber insgesamt ist es ein riesiger Schritt hin zu einer effizienteren Gesundheitsversorgung.

Technische Zusammenfassung

Titel: Nationale Vorhersage verpasster und abgesagter Termine unter Verwendung von realen EHR-Daten

1. Problemstellung und Zielsetzung

Das Hauptproblem, das in dieser Studie adressiert wird, ist die Ineffizienz im Gesundheitswesen durch ungenutzte ambulante Termine (sowohl verpasste Termine als auch „No-Shows" als auch abgesagte Termine). Diese führen zu Ressourcenverschwendung und beeinträchtigen die Patientenversorgung. Das Ziel der Studie war es, prädiktive Modelle zu entwickeln und zu evaluieren, die in der Lage sind, basierend auf einem großen, nationalen Datensatz elektronischer Gesundheitsakten (EHR) in den USA vorherzusagen, ob ein geplanter ambulante Termin genutzt oder ungenutzt bleibt.

2. Methodik

Die Studie wurde als retrospektive Beobachtungsstudie konzipiert und nutzte maschinelles Lernen sowie statistische Modellierung.

• Datenbasis: Es wurde die „Cerner Real World Database", ein nationales EHR-Repository der USA, verwendet. Der Datensatz deckt Gesundheitskontakte von 2010 bis 2025 ab.
• Studienpopulation: Erwachsene Patienten (≥18 Jahre) mit routinemäßigen ambulanten Kontakten. Pro Patient wurde zufällig ein Termin mit bekanntem Status ausgewählt. Die finale analytische Stichprobe umfasste 5.699.861 Termine.
• Zielvariable (Outcome): Der primäre Endpunkt war binär: Der Termin wurde entweder besucht („attended") oder ungenutzt („unused", definiert als verpasst oder abgesagt).
• Prädiktoren (Features): Das Modell nutzte eine Vielzahl von Merkmalen, darunter:
  • Patientenmerkmale: Demografie und Versicherungsart.
  • Terminmerkmale: Wochentag, Uhrzeit, Jahreszeit und städtische/ländliche Umgebung (Urbanicity).
  • Verhaltenshistorie: Vorherige Stornierungsrate und das Zeitintervall zwischen dem aktuellen Termin und dem vorherigen Besuch.
• Modellansatz: Es wurden drei Modelle verglichen:
  1. Logistische Regression (als statistischer Baseline-Vergleich).
  2. Random Forest Classifier (Maschinelles Lernen).
  3. Extreme Gradient Boosting (XGBoost).
• Evaluation: Die Leistung wurde mittels der Fläche unter der Receiver-Operating-Characteristic-Kurve (AUC), Sensitivität und Spezifität bewertet. Zusätzlich wurde eine „Explainable AI" (XAI)-Analyse durchgeführt, um die Feature-Impacts im finalen XGBoost-Modell zu quantifizieren und die Interpretierbarkeit zu erhöhen.

3. Wichtige Ergebnisse

• Datenverteilung: Von den insgesamt 5.699.861 untersuchten Terminen wurden 3.650.715 (64,0 %) besucht und 2.049.146 (36,0 %) als ungenutzt klassifiziert.
• Modellleistung: Das XGBoost-Modell erzielte die beste Vorhersagegenauigkeit auf dem Testdatensatz mit einem AUC von 0,95.
  • Random Forest folgte mit einem AUC von 0,92.
  • Die logistische Regression erreichte einen AUC von 0,89.
• Feature-Impact: Die Analyse der Feature-Impacts zeigte, dass die Zusammenhänge zwischen den Prädiktoren und dem Risiko eines ungenutzten Termins auf individueller Ebene hochgradig nicht-linear sind. Dies unterstreicht den Vorteil komplexerer ML-Modelle gegenüber linearen Ansätzen.

4. Hauptbeiträge und Stärken

• Datenvolumen: Die Studie nutzt einen der größten verfügbaren nationalen EHR-Datensätze, was die Generalisierbarkeit der Ergebnisse auf das US-Gesundheitssystem erheblich stärkt.
• Vergleichende Modellierung: Durch den direkten Vergleich traditioneller statistischer Methoden (logistische Regression) mit modernen ML-Algorithmen (Random Forest, XGBoost) wurde die Überlegenheit nicht-linearer Modelle für dieses spezifische Problem demonstriert.
• Interpretierbarkeit: Die Integration von Explainable AI (XAI) ist ein wesentlicher Beitrag, da sie nicht nur Vorhersagen trifft, sondern auch erklärt, welche Faktoren das Risiko am stärksten beeinflussen, was für die klinische Akzeptanz entscheidend ist.

5. Limitationen

• Retrospektives Design: Die Abhängigkeit von routinemäßig gesammelten EHR-Daten kann zu Datenqualitätsproblemen und nicht gemessenen Confoundern führen.
• Klassifizierungsunsicherheit: Die Datenbank unterschied nicht klar zwischen „abgesagten Terminen" (patienteninitiiert oder vom System) und „No-Shows" (Patient erscheint nicht ohne Absage). Dies könnte die Nuancen der Vorhersage beeinträchtigen.

6. Bedeutung und Implikationen

Die Studie belegt, dass ungenutzte ambulante Termine mit hoher Genauigkeit unter Verwendung von routinemäßig verfügbaren EHR-Daten vorhergesagt werden können. Die Integration solcher prädiktiver Modelle in die Terminplanungs-Workflows bietet das Potenzial, die Effizienz im Gesundheitswesen signifikant zu verbessern. Durch die Identifizierung von Hochrisiko-Patienten könnten Kliniken proaktiv Maßnahmen ergreifen (z. B. Erinnerungen, Umverteilung der Termine), um die Auslastung zu optimieren und Wartezeiten zu verkürzen.