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

Deze studie toont aan dat onbenutte poliklinische afspraken in de VS met hoge nauwkeurigheid kunnen worden voorspeld door middel van machine learning-modellen (met name XGBoost) die zijn getraind op een groot nationaal EHR-dataset, wat kan leiden tot een efficiëntere zorgplanning.

De kern

Stel je voor dat een ziekenhuis of huisartsenpraktijk een enorm, drukke treinstation is. Elke dag vertrekken er duizenden treinen (afspraken) met passagiers (patiënten). Het probleem is dat veel treinen vertrekken met lege zitplaatsen omdat mensen hun ticket vergeten zijn of hun reis hebben geannuleerd. Dit kost de maatschappij enorm veel geld en tijd, en andere mensen die wel een plek nodig hebben, komen er niet in.

De onderzoekers uit dit artikel hebben een slimme digitale voorspeller gebouwd om te zeggen: "Kijk, deze trein gaat waarschijnlijk leeg vertrekken, terwijl die andere zeker vol zit."

Hier is hoe ze dat deden, vertaald naar alledaags taal:

1. De Grote Data-Schatkist

In plaats van naar één station te kijken, hebben de onderzoekers gekeken naar het hele land. Ze gebruikten een gigantische digitale database (Cerner) met gegevens van bijna 5,7 miljoen afspraken tussen 2010 en 2025. Het is alsof ze de treinroosters van heel Amerika doorzochten om patronen te vinden.

2. De Detectives (De Modellen)

Ze lieten drie verschillende "detectives" aan het werk om te voorspellen wie er niet zou komen:

• De Logistieke Denker (Logistische Regressie): Een klassieke, simpele manier van denken. Hij kijkt naar basisregels: "Is het dinsdag? Is het regenen? Dan komt hij misschien niet."
• De Boom-Strategist (Random Forest): Deze denkt in duizenden kleine beslissingen, alsof hij door een doolhof van bomen loopt. Hij kijkt naar heel veel kleine details tegelijk.
• De Super-Intelligente AI (XGBoost): Dit was de winnaar. Denk aan een supercomputer die niet alleen naar de regels kijkt, maar ook naar de verborgen verbanden. Hij ziet bijvoorbeeld: "Ah, als iemand een bepaalde verzekering heeft, op een dinsdagmiddag, en het is al 3 weken geleden dat ze hier waren, dan is de kans 95% dat ze niet komen."

3. Het Resultaat: Een Kristallen Bol

De "Super-Intelligente AI" (XGBoost) bleek de beste te zijn. Hij had een voorspellingsscore van 0,95 (op een schaal van 0 tot 1).

• Wat betekent dit? Stel je voor dat je een kristallen bol hebt die in 95 van de 100 gevallen precies weet of iemand zijn afspraak zal missen. Dat is extreem nauwkeurig.

4. Waarom gebeurt dit? (De Uitleg)

De onderzoekers keken niet alleen naar of de AI gelijk had, maar ook waarom. Ze ontdekten dat het niet altijd logisch is. Soms is het niet alleen "het weer", maar een rare combinatie van factoren.

• Voorbeeld: Het kan zijn dat iemand die vaak annuleert, dat doet op specifieke tijdstippen, of dat mensen met een bepaalde verzekering vaker "vergeten" te komen. De AI zag deze ingewikkelde patronen die een mens misschien over het hoofd zou zien.

5. Wat betekent dit voor de praktijk?

Als artsen en ziekenhuizen deze slimme voorspeller in hun systeem stoppen, kunnen ze:

• De "Lege Treinen" vullen: Als het systeem zegt: "Deze patiënt komt waarschijnlijk niet," kan de assistente direct een andere patiënt bellen die op de wachtlijst staat: "Heeft u tijd voor een spoedafspraak?"
• Tijd besparen: Minder lege stoelen in de wachtkamer en minder tijd die artsen in hun stoel zitten te wachten.

De Kijk op de Schouders (Beperkingen)

Natuurlijk is er geen perfecte oplossing.

• De Database was niet perfect: De gegevens waren soms rommelig (zoals een oude agenda met krabbels).
• Verwarring: Soms wisten ze niet precies of iemand zijn afspraak had geannuleerd of gewoon niet kwam (no-show). Voor de computer was het in beide gevallen "leeg", maar voor de patiënt is het een ander verhaal.

Kortom: Deze studie laat zien dat we met slimme computers en bestaande data een enorme chaos aan afspraken kunnen ordenen. Het is alsof we van een rommelige, onvoorspelbare treinmaatschappij een strakke, efficiënte spoorlijn maken waar bijna elke stoel bezet is.

Technische samenvatting

Technische Samenvatting: Landelijke Voorspelling van Gemiste en Geannuleerde Afspraken

Probleemstelling
Het artikel adresseert het wereldwijde probleem van ongebruikte poliklinische afspraken (zowel gemiste afspraken als 'no-shows' als geannuleerde afspraken), wat leidt tot inefficiëntie in de gezondheidszorg, verlies van inkomsten en verminderde toegang tot zorg voor andere patiënten. Het doel van deze studie was het ontwikkelen en evalueren van nauwkeurige voorspellende modellen om te bepalen of een geplande poliklinische afspraak niet zal worden gebruikt, gebruikmakend van een grote, nationale dataset van elektronische gezondheidsdossiers (EHR).

Methodologie

• Onderzoeksdesign: Een retrospectieve observationele studie uitgevoerd op het Cerner Real World Database, een nationale EHR-repository in de Verenigde Staten die zorggebeurtenissen van 2010 tot 2025 omvat.
• Populatie: De analyse omvatte 5.699.861 poliklinische afspraken bij volwassen patiënten (≥18 jaar). Per patiënt werd één willekeurige afspraak met een bekende status geselecteerd.
• Doelvariabele: De primaire uitkomst was een binaire classificatie: of de afspraak werd bezocht ('attended') of ongebruikt bleef ('unused', zijnde gemist of geannuleerd).
• Voorspellende variabelen (Features): De modellen gebruikten een breed scala aan variabelen, waaronder:
  • Patiëntkenmerken (demografie, verzekeringstype).
  • Afspraakkenmerken (dag, tijdstip, seizoen, stedelijkheid).
  • Historische data (vorige annuleringsratio, tijdsinterval tussen de huidige en de vorige afspraak).
• Modellering: Er werden drie statistische en machine learning-benaderingen vergeleken:
  1. Logistische regressie (als baseline).
  2. Random Forest classifier.
  3. Extreme Gradient Boosting (XGBoost).
• Evaluatie: Modelprestaties werden gemeten aan de hand van het oppervlak onder de receiver operating characteristic-curve (AUC), gevoeligheid en specificiteit. Voor het beste model (XGBoost) werd een Explainable AI (XAI) analyse uitgevoerd om de impact van individuele kenmerken te kwantificeren en de interpretatie te verbeteren.

Belangrijkste Resultaten

• Verdeling: Van de 5,7 miljoen afspraken was 64,0% bezocht en 36,0% ongebruikt.
• Modelprestaties: XGBoost presteerde het beste met een AUC van 0,95. Dit werd gevolgd door Random Forest (AUC = 0,92) en Logistische regressie (AUC = 0,89).
• Interpretatie: De XAI-analyse onthulde dat er sterke, niet-lineaire relaties bestaan tussen de voorspellende variabelen en het risico op een ongebruikte afspraak op individueel niveau. Dit betekent dat lineaire modellen (zoals logistische regressie) de complexiteit van het gedrag van patiënten niet volledig kunnen vangen.

Belangrijkste Bijdragen

1. Schaal: Het gebruik van een van de grootste nationale EHR-datasets ter wereld, wat de generaliseerbaarheid van de resultaten vergroot.
2. Vergelijking van methoden: Een systematische vergelijking van traditionele statistische methoden met geavanceerde machine learning-algoritmen, waarbij duidelijk werd aangetoond dat geavanceerde modellen superieur zijn voor dit specifieke probleem.
3. Interpretabiliteit: De toepassing van Explainable AI om niet alleen voorspellingen te doen, maar ook inzicht te geven in waarom bepaalde afspraken risico lopen, wat essentieel is voor klinische acceptatie.

Betekenis en Implicaties
De studie concludeert dat ongebruikte poliklinische afspraken met hoge nauwkeurigheid kunnen worden voorspeld op basis van routinematig beschikbare EHR-gegevens. De integratie van deze voorspellende modellen in de planningsworkflows biedt het potentieel om:

• De efficiëntie van de gezondheidszorg te verbeteren door proactief ingrijpen bij risicopatiënten (bijvoorbeeld door herbevestiging of het aanbieden van alternatieve tijden).
• Het optimaliseren van het afspraakbeheer en het verminderen van leegloop in de zorg.
• De toegang tot zorg te verbeteren door vrijgekomen tijdslots sneller aan andere patiënten aan te bieden.

Beperkingen
De auteurs wijzen op beperkingen zoals het retrospectieve karakter van de studie, de mogelijke aanwezigheid van onvermiste verstorende factoren (confounding) en de beperkte kwaliteit van de data. Daarnaast maakte de database geen duidelijke onderscheiding tussen 'geannuleerde' afspraken en 'no-shows', wat de specifieke analyse van deze twee categorieën bemoeilijkt.