הגורמים המשפיעים על החמצת תורים הם מורכבים וקשים לחיזוי או להתמודדות. במחקר שממצאיו פורסמו לאחרונה בכתב העת Annals of Family Medicine, חוקרים ביקשו לייעל את ההיענות לתורים על ידי שימוש בטכניקות למידת מכונה מותאמות אישית בשילוב אנליזה של ביג דאטה.
עוד בעניין דומה
מטרת המודל היתה לחזות את הסיכון ואת הגורמים התורמים לאי-הגעה ולביטולים מאוחרים במרפאות ראשוניות.
החוקרים ערכו מחקר אורכי רטרוספקטיבי אשר כלל נתונים קליניים מקושרים גיאוגרפית, נתוני שימוש בשירותי בריאות, נתונים סוציואקונומיים ונתוני אקלים מ-15 מרפאות ראשוניות במרכז רפואי אקדמי אזורי בפנסילבניה, בין ינואר 2019 ליוני 2023.
החוקרים פיתחו מודלים של למידת מכונה מרובת-קטגוריות באמצעות אלגוריתמים Gradient Boosting, Random Forest, רשת עצבית (Neural Network) ורגרסיה לוגיסטית כדי לנבא את תוצאי התורים. לאחר מכן, בוצעה אנליזת חשיבות מאפיינים כדי לזהות את הגורמים התורמים לאי-הגעה או לביטולים מאוחרים ברמת האוכלוסיה וברמת המטופל. אנליזה מרובדת שימשה להערכת ביצועי החיזוי לפי מין וגזע/ מוצא אתני, כדי להבטיח הגינות של המודל הסופי בקרב מאפיינים רגישים אלו.
האנליזה כללה 109,328 מטופלים ו-1,118,236 תורים, מתוכם 77,322 (6.9%) הוגדרו כהיעדרויות ו-75,545 (6.8%) כביטולים מאוחרים.
תוצאות המחקר הדגימו כי מודל ה-Gradient Boosting השיג את הביצועים הטובים ביותר עם שטח מתחת לעקומת ROCי(receiver operating characteristic) של 0.852 עבור חיזוי אי-הגעה ו-0.921 עבור חיזוי ביטולים מאוחרים. לא נמצאה הטיה ביחס למאפייני המטופלים. נמצא כי משך הזמן עד מועד התור היה המנבא החשוב ביותר להיעדרויות מתורים.
החוקרים מסכמים כי החמצת תורים ממשיכה להוות אתגר ברפואת משפחה. מחקר זה הציג מסגרת מעשית וחזקה לניבוי אי-הגעה לתורים והניח את הבסיס לפיתוח אסטרטגיות מותאמות אישית לשיפור היענות המטופלים לתורים במרפאות ראשוניות.
מקור:
הירשמו לקבלת עדכונים בנושאים שעלו בכתבה
תגובות אחרונות