Efectos de la pandemia de covid-19 en modelos de predicción de pacientes que no se presentan a citas presenciales y teleconsultas

Abstract

Problema: Los pacientes que no se presentan a sus citas ambulatorias (NSP) alcanzan un 23% a nivel global y un 27,8% en Latinoamérica. En Chile, corresponden a un 16,5% de las citas. El NSP genera una sobrecarga sobre los sistemas de salud, con impacto a nivel de costos, ganancias y utilización de recursos. La pandemia de COVID-19 ha hecho migrar las consultas desde una modalidad presencial a teleconsultas, lo que presenta desafíos a los modelos actuales de predicción de NSP. Solución: Se entrenan modelos de aprendizaje de máquina que permitan estimar la probabilidad de NSP de pacientes en teleconsultas, en base a características de la persona, datos de la cita y datos del prestador. Se espera obtener un modelo para predecir la probabilidad de inasistencia del paciente a consultas generadas en contexto de pandemia de COVID-19 y estudiar la diferencia con los algoritmos entrenados en consultas pre-pandemia. Método: Se utilizan datos de cuatro hospitales, entre 2018 y 2020, y se comparan según el tipo de atención y el NSP. Se entrenan modelos de aprendizaje de máquinas para predecir la probabilidad de que un paciente no asista a una cita en contexto de pandemia y se compararán las variables que tienen mayor influencia. Variables y Métricas: Se consideran características de la persona (edad, sexo, previsión, pueblo originario, nacionalidad, historial de NSP, comuna), de la cita (fecha, hora, resultado, especialidad, tiempo entre agendamiento y cita, modalidad de atención, atención en pandemia, tipo de profesional) y del prestador (establecimiento y comuna). Como evaluación se utiliza el F1-Score, que combina precisión y sensibilidad. Resultados: El algoritmo XGBoost en la predicción con doce meses previos a la cita es el algoritmo con mejores resultados, alcanzando un F1-Score de 0,32. Las variables con mayor importancia a la hora de predecir el NSP son los días entre el agendamiento y la cita y el histórico de NSP de los últimos 365 días. El que las citas sean realizadas por teleconsultas sólo tiene importancia en algunos modelos específicos, pero no genera cambios a nivel general.

Problem: Patients who do not show up for their outpatient appointments or no-show (NSP in Spanish) reached 23% globally and 27,8% in Latin America. In Chile, they reach 16,5% of the outpatient appointments. NSP generates an overload on health systems, impacting the costs, profit and use of resources. The COVID-19 pandemic has changed consultations from face-to-face to remote, presenting challenges to current NSP prediction models. Solution: We seek to train machine learning models that allow estimating the probability of NPS of patients in teleconsultations, based on characteristics of the person, appointment and provider data. We expect to obtain a model to predict the probability of patient non-attendance at appointments generated in the context of the COVID-19 pandemic and to study the difference with the algorithms trained in pre-pandemic appointments. Method: Data from four hospitals between 2018 and 2020 was used and compared according to the appointment type and NSP. Machine learning models were trained to predict the probability that a patient will not attend an appointment in the context of the pandemic and the variables that have the most significant influence will be compared. Variables and Metrics: Characteristics of the patient (age, sex, insurance, migrant, nationality, history of no-show, commune), of the appointment (date, time, result, specialty, time between scheduling, appointment modality, pandemic attention, type of professional) and the provider (establishment and commune) were be considered. The F1-Score was used as an evaluation, which combines precision and recall. Results: The XGBoost algorithm, in the prediction with twelve months prior to the appointment, is the algorithm with the best results, reaching an F1-Score of 0,32. The most important characteristics when predicting the NSP are the days between the scheduling and the appointment and the NSP history of the last 365 days. The fact that appointments are online is only important in some specific models but does not generate changes at a general level.