Doctor appointment scheduling and patient classification

Abstract

A preliminary study at Herttoniemi health centre revealed that realised length of a doctor appointment and its scheduled length differed on average 9.4 min., dispersion being rather evenly both directions (scheduled lengths mostly 20 and 30 min.). This study aimed to investigate how development of the appointment scheduling system and use of patient classification could be used to reduce the loss of doctors' idle time and patients' waiting time.

The empirical case material mainly consisted of available information in the patient registry of the health centre. Appointment lengths were measured indirectly by examining opening and closure times of the medical records. After filtering of apparently erroneous values the data consisted of 1099 appointment events.

ICD-10 diagnosis codes were converted to Classification of diseases (CDAP) codes which were used in the modelling as patients' pseudo-reasons for seeking to the appointments by assuming that in the majority of cases the patients would have been able to state the reason beforehand with that coarse precision. The patients were segmented into groups by using: 1) Classification of diseases (CDAP) method 2) An artificial neural network model that used a number of ex ante information as an input feed. The performance of these methods were studied and compared by using simulation models.

The patient segmentation by using Classification of diseases (CDAP) did not produce direct additional benefits for the resource planning. The empirical data was clearly too small to teach neural network models, but the constructed model was still able to predict 2/3 of the cases correctly, whether the patients needed a short or long appointment time, while the existing system in the production use was such that the staff was able to allocate only 1/2 of the patients correctly, The classification of patients based on the neural model also gave additional value for optimising the appointment scheduling.

As a result it was found out that the neural network model using ex ante information for patient classification and appointment scheduling optimisation could together significantly reduce doctors' idle time and/or patients' waiting time. Such a model could be implemented to operate automatically with the health centre's other IT systems. However further research with larger appointment dataset would be needed to determine the maximum potential of the neural network model's prediction capability.

Herttoniemen terveysasemalla tehdyssä esiselvityksessä havaittiin, että lääkärien efektiivisillä vastaanotoilla toteutunut ajallinen tarve ja varattu nimelliskesto poikkesivat toisistaan keskimäärin 9,4 min. hajonnan ollessa molempiin suuntiin (nimellispituudet pääasiassa 20 ja 30 min.). Tutkimuksessa pyrittiin selvittämään, voitaisiinko toiminnanohjauksen ja potilassegmentoinnin avulla vähentää lääkärien hukka-aikaa ja potilaiden odotusaikaa.

Tapaustutkimuksen empiirinen aineisto koostui pääasiassa terveysaseman potilastietojärjestelmästä saatavasta tiedosta. Vastaanottojen pituuksia mitattiin epäsuorasti tutkimalla potilaskertomusten avaamis- ja sulkemishetkiä. Ilmeisen virheellisten arvojen suodatuksen jälkeen aineisto muodostui 1099 vastaanottotapahtumasta. ICD-10-diagnoosikoodit muunnettiin Avohoidon sairausluokiksi (ASL), joita käytettiin potilaiden pseudotulosyinä olettaen mallinnuksessa, että potilas olisi useimmiten sillä tarkkuudella osannut ilmoittaa syyn vastaanotolle hakeutumiseen. Potilaita segmentoitiin: 1) ASL-luokittelemalla 2) keinotekoisella neuroverkkomallilla, joka käytti syötteenä useita etukäteistietoja. Eri tapojen suorituskykyä tutkittiin ja vertailtiin simulaatiomallinnuksella.

ASL-luokitukseen perustuvalla segmentoinnilla ei suoraan saatu olennaista etua toiminnanohjauksessa. Aineisto oli selvästi liian pieni neuroverkkomallin opettamiseen, mutta malli pystyi silti ennustamaan 2/3 testitapauksessa oikein, tarvitseeko potilas lyhyen vai pitkän vastaanottoajan, kun tuotantokäytössä olleessa järjestelyssä hoitajat sijoittivat potilaista 1/2 oikein. Neuroverkkosegmentoinnista oli myös hyötyä vastaanottojen aikataulutuksen optimoinnissa.

Tutkimuksessa havaittiin, että ex ante -informaatiota hyödyntävällä neuroverkkoluokituksella ja optimoidulla toiminnanohjauksella voitaisiin selvästi vähentää lääkärien hukka-aikaa ja/tai potilaiden odotusaikaa. Tällainen ohjausmalli olisi implementoitavissa toimimaan automatisoidusti terveysaseman tietojärjestelmän yhteydessä. Neuroverkkoluokittelijan ennustuskyvyn maksimipotentiaalin selvittäminen vaatisi kuitenkin lisätutkimuksia suuremmalla vastaanottoaineistolla.