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

Este estudio retrospectivo demuestra que es posible predecir con alta precisión las citas ambulatorias no utilizadas en Estados Unidos mediante modelos de aprendizaje automático aplicados a datos de registros electrónicos de salud, lo que podría optimizar la gestión de citas y mejorar la eficiencia sanitaria.

Lo esencial

Imagina que el sistema de salud es como una gigantesca red de autobuses que lleva a millones de personas a sus citas médicas. El problema es que, a veces, los asientos se quedan vacíos: o bien el pasajero no se presenta (un "no-show") o bien cancela su viaje justo antes de salir. Cuando esos asientos se quedan vacíos, el autobús sale medio vacío, el conductor (el médico) pierde tiempo y otros pacientes que sí necesitan el viaje no pueden subir.

Este estudio es como un detective de datos que decidió investigar por qué ocurren estos "viajes perdidos" en toda Estados Unidos, usando un registro masivo de historiales médicos (como una libreta gigante donde se anota todo lo que pasa en los consultorios).

Aquí tienes la explicación sencilla de lo que hicieron y qué descubrieron:

1. La Misión: Predecir quién se quedará en casa

Los investigadores tomaron datos de más de 5.6 millones de citas reales. Su objetivo era crear un "oráculo" o una bola de cristal digital capaz de decir, antes de que suene el teléfono para agendar, si un paciente probablemente asistirá o si se quedará en el sofá de su casa.

2. Las Herramientas: Tres tipos de "cerebros"

Para hacer esta predicción, probaron tres tipos de "cerebros" diferentes:

• La Lógica Clásica (Regresión Logística): Como un profesor de matemáticas que sigue reglas estrictas y lineales.
• El Bosque de Decisiones (Random Forest): Imagina a un grupo de 100 expertos reunidos en una sala; cada uno da su opinión y se toma la decisión mayoritaria.
• El Genio del Aprendizaje (XGBoost): Este es el cerebro más avanzado. Aprende de sus errores, encuentra patrones ocultos y es muy bueno adivinando cosas complejas.

3. Los Pistas (Variables)

El "Genio del Aprendizaje" (XGBoost) miró muchas pistas para hacer su predicción, como:

• ¿Quién es el paciente? (Su edad, su seguro médico, si vive en la ciudad o el campo).
• ¿Cuándo es la cita? (¿Es un lunes por la mañana? ¿Es en pleno invierno? ¿Es un día festivo?).
• ¿Su historial? (¿Ha cancelado mucho antes? ¿Cuánto tiempo pasó desde su última visita?).

4. El Gran Descubrimiento

El resultado fue impresionante. El "Genio del Aprendizaje" (XGBoost) fue el ganador indiscutible.

• Su precisión: Logró predecir correctamente si una cita se usaría o no con una exactitud del 95% (en términos estadísticos, un AUC de 0.95).
• La lógica: Descubrió que la relación entre las pistas y el resultado no es una línea recta simple. Es como si el clima afectara la decisión de ir al médico de formas muy extrañas y no obvias que solo una computadora muy inteligente puede entender.

5. ¿Por qué importa esto? (La Analogía del Restaurante)

Imagina un restaurante muy popular. Si el dueño sabe con antelación qué mesas probablemente no vendrán, puede:

1. Llamar a la lista de espera: Ofrecer la mesa a alguien más que sí va a llegar.
2. Ajustar el personal: No contratar a tantos camareros para esa hora específica.

En medicina, esto significa ahorrar tiempo y dinero. Si el sistema puede predecir quién no va a ir, puede intentar llamar a ese paciente para recordarle la cita, o ofrecer ese hueco a otra persona que lo necesite urgentemente.

6. Las Limitaciones (El "Pero")

Aunque el estudio es brillante, tiene algunos "pero":

• Es un espejo del pasado: Como es un estudio retrospectivo (miró datos viejos), no puede ver el futuro con certeza absoluta.
• La confusión entre "cancelado" y "no-show": La libreta de datos a veces no distinguía bien si el paciente canceló por teléfono o simplemente no apareció. Es como si en el restaurante no supieran si el cliente llamó para cancelar o si simplemente se olvidó.
• Datos imperfectos: Al usar datos reales recolectados por humanos, a veces hay errores o información faltante.

En resumen

Este estudio nos dice que ya tenemos la tecnología para predecir con gran precisión quién faltará a su cita médica. Si los hospitales integran esta "bola de cristal" en su sistema de agendamiento, podrán llenar mejor sus agendas, reducir el tiempo perdido de los médicos y, lo más importante, hacer que la atención médica llegue a más personas de manera más eficiente.

Resumen técnico

Resumen Técnico: Predicción Nacional de Citas Médicas Perdidas y Canceladas Utilizando Datos Reales de Historias Clínicas Electrónicas

A continuación se presenta un resumen técnico detallado del estudio, estructurado según los componentes solicitados:

1. Planteamiento del Problema

El estudio aborda el desafío crítico de la ineficiencia en los sistemas de salud, específicamente el alto volumen de citas ambulatorias no utilizadas (ya sea por ausencias o cancelaciones). Estas citas perdidas generan costos operativos significativos, reducen el acceso de otros pacientes a la atención y disminuyen la eficiencia general de los proveedores. El objetivo principal fue desarrollar y evaluar modelos predictivos capaces de identificar, con antelación, qué citas tienen una alta probabilidad de no ser utilizadas, utilizando datos masivos y reales de historias clínicas electrónicas (HCE) en Estados Unidos.

2. Metodología

El estudio se diseñó como una investigación observacional retrospectiva basada en el Cerner Real World Database, un repositorio nacional de HCE que abarca encuentros de atención médica desde 2010 hasta 2025.

• Cohorte de Estudio: Se seleccionaron pacientes adultos (≥18 años) con encuentros ambulatorios rutinarios. Se extrajo una muestra aleatoria de una cita por paciente con un estado conocido, resultando en una muestra analítica final de 5,699,861 encuentros.
• Variable Objetivo (Outcome): La variable dependiente fue binaria: asistencia a la cita vs. cita no utilizada (perdida o cancelada).
• Variables Predictores: Se incorporaron múltiples características:
  • Demográficas del paciente: Edad, género, tipo de seguro.
  • Características de la cita: Día, hora, temporada y urbanización.
  • Historial: Tasa de cancelación previa y el intervalo de tiempo entre la cita índice y la visita anterior.
• Enfoque de Modelado: Se comparó el rendimiento predictivo de tres enfoques:
  1. Regresión logística (modelo estadístico tradicional).
  2. Clasificador de Bosque Aleatorio (Random Forest).
  3. Extreme Gradient Boosting (XGBoost).
• Evaluación y Explicabilidad: El rendimiento se midió mediante el área bajo la curva de características operativas del receptor (AUC), sensibilidad y especificidad. Además, se aplicó un análisis de Inteligencia Artificial Explicable (XAI) sobre el modelo XGBoost final para cuantificar el impacto de las características y entender las asociaciones no lineales.

3. Contribuciones Clave

• Escala sin precedentes: Es uno de los estudios que utiliza uno de los conjuntos de datos de HCE nacionales más grandes (más de 5.6 millones de registros) para este propósito específico.
• Comparación de Modelos Avanzados: No se limitó a modelos estadísticos tradicionales; evaluó y comparó algoritmos de aprendizaje automático de vanguardia (Random Forest y XGBoost) contra la regresión logística.
• Interpretabilidad del Modelo: La aplicación de técnicas de IA explicable permitió ir más allá de la "caja negra", cuantificando cómo las variables influyen individualmente en el riesgo de no asistencia, revelando asociaciones no lineales complejas.
• Validación en Datos Reales: El uso de datos del mundo real (en lugar de datos sintéticos o de un solo centro) aumenta la validez externa y la aplicabilidad de los hallazgos a nivel nacional.

4. Resultados

• Distribución de la Muestra: De los 5,699,861 encuentros, el 64.0% (3,650,715) asistieron a la cita, mientras que el 36.0% (2,049,146) fueron no utilizados.
• Rendimiento Predictivo: El modelo XGBoost demostró el mejor rendimiento en el conjunto de datos de prueba con un AUC de 0.95. Le siguieron el Bosque Aleatorio (AUC = 0.92) y la Regresión Logística (AUC = 0.89).
• Análisis de Características: El análisis de impacto de características confirmó que las relaciones entre los predictores y el riesgo de citas no utilizadas son altamente no lineales a nivel individual, lo que justifica el uso de algoritmos de aprendizaje automático complejos sobre modelos lineales simples.

5. Significado e Implicaciones

• Eficiencia Operativa: La capacidad de predecir con alta precisión (AUC 0.95) las citas que no se utilizarán permite a los sistemas de salud integrar estos modelos en los flujos de trabajo de programación. Esto podría facilitar estrategias proactivas, como recordatorios personalizados, ofertas de citas a pacientes de espera o reprogramación dinámica.
• Optimización de Recursos: Al reducir las citas perdidas, se optimiza el uso de la capacidad clínica, mejorando el acceso para otros pacientes y reduciendo los costos asociados con el tiempo ocioso del personal y las instalaciones.
• Limitaciones a Considerar: El estudio reconoce limitaciones inherentes al diseño retrospectivo y a la calidad de los datos recolectados rutinariamente. Un punto crítico es que la base de datos no distinguía claramente entre "cancelaciones" y "no-shows" (ausencias sin aviso), lo que podría agrupar comportamientos distintos bajo una misma etiqueta de "no utilizado".

En conclusión, el estudio demuestra que es posible construir modelos predictivos robustos y precisos utilizando datos de HCE rutinarios, sentando las bases para la implementación de herramientas de IA en la gestión clínica para mejorar la eficiencia del sistema de salud.