En septiembre contamos cómo funciona nuestro aviso de citas con riesgo de ausencia. Hoy toca lo que no contamos entonces: qué se sabe de verdad sobre las ausencias y hasta dónde llega la predicción.
Cuánto y por qué
Una revisión de 105 estudios de todas las especialidades sitúa la tasa media de ausencias en torno al 23 %, con mucha diferencia entre regiones: del 13,2 % en Oceanía al 43 % en África. Los dos factores que más se repiten son la antelación con que se dio la cita y haber faltado antes. Aparecen también ser adulto joven, vivir lejos de la clínica y un nivel socioeconómico bajo (Dantas y otros, 2018).
En España, un estudio en consultas externas de un hospital público midió un 13,8 %, con un coste estimado de más de tres millones de euros. El motivo más frecuente fue el olvido, en el 29,6 % de los casos, seguido de fallos de comunicación en el 16 % (Jabalera Mesa y otros, 2015).
No hemos encontrado una cifra fiable para clínicas dentales españolas, ni una estimación del coste por ausencia en odontología privada. Las cifras dentales publicadas son de otros países y no se pueden trasladar sin más.
Predecir sirve para ordenar, no para acertar
El estudio dental con más datos analizó 196.000 citas de una clínica de Riad, donde faltaba el 42,7 % de los pacientes. Su mejor modelo distinguía a quien falta de quien viene bastante mejor que el azar, pero lejos de acertar siempre. Confirmó que la antelación es la variable que más pesa, y después el historial de ausencias; la edad y la hora pesan menos (Alabdulkarim y otros, 2022).
Una revisión de 50 modelos de predicción, de investigadores de la Universidad Carlos III, encontró que solo dos acertaban más que decir «vendrán todos» (Carreras-García y otros, 2020).
La conclusión práctica es modesta. Un modelo así no dice quién va a faltar. Sirve para ordenar la agenda de mayor a menor riesgo y decidir a quién llamar primero.
Lo que funciona es el aviso
- Recordar reduce las ausencias. En una revisión de ocho ensayos con 6.615 participantes, la asistencia pasó del 67,8 % sin recordatorio al 78,6 % con un SMS y al 80,3 % con una llamada. Los autores consideran la evidencia todavía insuficiente para fijar políticas (Gurol-Urganci y otros, 2013).
- Varios avisos funcionan mejor que uno. Otro metaanálisis midió un 15 % de ausencias con notificación frente a un 21 % sin ella, y encontró que la voz parecía más eficaz que el texto (Robotham y otros, 2016).
- En odontología, el canal importa. En un ensayo con 318 familias en odontopediatría, faltó el 8,2 % de quienes recibieron un mensaje de voz y el 17,7 % de quienes recibieron un SMS (Nelson y otros, 2011).
- Llamar a quien tiene más riesgo ayuda. En un ensayo con 2.247 pacientes de atención primaria con riesgo alto, una llamada personal una semana antes, añadida al recordatorio automático, bajó las ausencias del 29,2 % al 22,8 %. Además, quienes cancelaban lo hacían con más antelación (Shah y otros, 2016).
Los límites
- Ningún ensayo de avisos dirigidos por un modelo se ha hecho en odontología. La evidencia viene de atención primaria y de hospitales.
- No está demostrado que avisar solo a los de más riesgo sea mejor que avisar a todos. Una revisión de ocho ensayos lo señala como investigación pendiente (Oikonomidi y otros, 2023).
- Donde ya hay recordatorio, añadir otro aporta poco. En un sistema sanitario que ya llamaba a sus pacientes, centralizar la llamada solo bajó las ausencias del 16,3 % al 15,8 % (Kheirkhah y otros, 2016).
Lo que conviene evitar
Usar la predicción para citar a dos pacientes a la misma hora tiene un riesgo documentado. En un estudio, los pacientes de un grupo de población acababan esperando alrededor de un 30 % más que el resto, porque el modelo les asignaba más riesgo (Samorani y otros, 2022).
Ese riesgo no se ha descrito para la llamada de confirmación. Es un argumento a favor de confirmar, recolocar o tirar de lista de espera, y en contra de sobrecitar.
Qué hacemos con esto
Dental Brain señala las citas con más riesgo y propone un recordatorio reforzado, que recepción aprueba. No cita de más ni decide por la clínica.
Con lo que hoy se sabe, lo razonable es esperar de una herramienta así una agenda mejor ordenada y menos huecos imprevistos, no la desaparición de las ausencias.
Fuentes
- Dantas y otros (2018). «No-shows in appointment scheduling: a systematic literature review». Health Policy 122(4). Enlace
- Jabalera Mesa, Morales Asencio y Rivas Ruiz (2015). «Factores determinantes y coste económico del absentismo de pacientes en consultas externas de la Agencia Sanitaria Costa del Sol». Anales del Sistema Sanitario de Navarra 38(2). Enlace
- Alabdulkarim y otros (2022). «Predicting no-shows for dental appointments». PeerJ Computer Science 8. Enlace
- Carreras-García y otros (2020). «Patient No-Show Prediction: A Systematic Literature Review». Entropy 22(6). Enlace
- Gurol-Urganci y otros (2013). «Mobile phone messaging reminders for attendance at healthcare appointments». Cochrane, CD007458. Enlace
- Robotham y otros (2016). «Using digital notifications to improve attendance in clinic». BMJ Open 6. Enlace
- Nelson y otros (2011). «Assessing the effectiveness of text messages as appointment reminders in a pediatric dental setting». JADA 142(4). Enlace
- Shah y otros (2016). «Targeted Reminder Phone Calls to Patients at High Risk of No-Show for Primary Care Appointment». Journal of General Internal Medicine 31. Enlace
- Oikonomidi y otros (2023). «Predictive model-based interventions to reduce outpatient no-shows». JAMIA 30(3). Enlace
- Kheirkhah y otros (2016). «Prevalence, predictors and economic consequences of no-shows». BMC Health Services Research 16. Enlace
- Samorani y otros (2022). «Overbooked and Overlooked: Machine Learning and Racial Bias in Medical Appointment Scheduling». M&SOM 24(6). Enlace