Машинное обучение против неявок: систематический обзор назвал главные предикторы пропущенных приёмов
Систематический обзор в International Dental Journal обобщил прогностические модели машинного обучения для предсказания неявок на стоматологический приём. Ключевыми предикторами оказались длинный интервал между записью и визитом, пропущенные подтверждающие сообщения и история неявок, однако включённые исследования страдали малыми выборками и отсутствием внешней валидации.
Пропущенные приёмы — устойчивая операционная проблема стоматологических клиник: они ведут к простою клинических ресурсов, ломают рабочие графики и оборачиваются существенными финансовыми потерями. Машинное обучение, то есть прогностический подход, выявляющий сложные закономерности в данных, стало рассматриваться как перспективный инструмент для выявления пациентов с высоким риском не прийти на запланированный визит.
Систематический обзор, опубликованный в International Dental Journal, обобщил и критически оценил прогностические модели на основе машинного обучения, разработанные для предсказания неявок на стоматологический приём.
Как проводили обзор
Авторы выполнили комплексный поиск в PubMed, Scopus, ScienceDirect, Google Scholar и других базах данных. Подходящие исследования отбирали по заранее заданным критериям включения и исключения. Извлечение данных и оценку качества проводили с помощью инструмента оценки риска систематической ошибки прогностических моделей PROBAST.
Что показали результаты
Полученные данные подтвердили применимость моделей машинного обучения для прогнозирования неявок на стоматологические приёмы. Вместе с тем прямые сравнения между работами были ограничены: наборы данных и метрики оценки различались от исследования к исследованию.
К ключевым предикторам неявки авторы отнесли:
- длительный интервал между датой записи и датой самого приёма;
- пропущенные пациентом подтверждающие сообщения;
- историю неявок в прошлом;
- временные факторы, в том числе день недели.
Ограничения
Несмотря на заявленную в публикациях эффективность моделей, включённые исследования были ограничены малыми размерами выборок, одноцентровым дизайном и отсутствием внешней валидации.
Выводы авторов
В целом машинное обучение представляет собой ценную стратегию улучшения управления записью пациентов в стоматологических клиниках, однако требуются более крупные многоцентровые исследования и работы по внедрению моделей в реальную практику.
