evidoria

← Back to browse

Good practice

EHS Footstep Insights — Preditor de faltas a consultas por IA nos centros de saúde primários dos EAU

United Arab Emirates · Sharjah · See the United Arab Emirates profile

Os Serviços de Saúde dos Emirados (EHS) dos EAU implementaram IA para prever faltas a consultas em todos os seus centros de saúde primários em outubro de 2022. As faltas caíram 51% (21%→10%), o tempo médio de espera caiu 5,7 min, poupando 387.000 min-doente em 3 meses.

21%
Taxa de faltas às consultas na linha de base
>140,000
Consultas mensais de doentes nos centros de cuidados de saúde primários
67,429
Consultas pré-implementação estudadas (Jul-Sep 2022)
67,964
Consultas pós-implementação estudadas (Nov 2022-Jan 2023)
20.82% to 10.25% percentage points
Redução da taxa de faltas
50.7%
Redução relativa nas faltas
OR 0.43 (95% CI 0.42-0.45, P<.001)
Razão de risco (odds ratio)
54 to 48.5 min
Tempo médio de espera dos doentes
387,394
Minutos de doentes poupados (3 months)
86%
Precisão do modelo
EHS Footstep Insights — Preditor de faltas a consultas por IA nos centros de saúde primários dos EAU

Details

Maturity
Established
Promoter
Emirates Health Services (EHS)
Period
2022-present
Keywords
appointment management, no-show prediction, primary health care, random forest, real-time analytics, healthcare operations, patient access

Context

A Emirates Health Services (EHS), a autoridade federal dos Emirados Árabes Unidos para os cuidados de saúde primários nos Emirados do Norte, gere mais de 140.000 consultas de doentes por mês nos seus centros de cuidados de saúde primários e enfrentava uma taxa de faltas às consultas de 21% na linha de base, causando desperdício de recursos, tempos de espera mais longos e menor acesso.

Objectives

Reduzir as faltas às consultas e melhorar a alocação de recursos através de alertas de risco preditivos.

Activities

Em outubro de 2022, a EHS implementou a 'Footstep Insights Solution', um modelo de classificação random-forest treinado com 16 características demográficas, clínicas e específicas da consulta, categorizando os doentes como de risco elevado (≥90%), risco médio (80-89%) ou risco baixo (70-79%) de falta; o pessoal clínico recebe alertas proativos para contactar doentes de risco elevado ou realocar vagas através de um painel em tempo real.

Results

Um estudo revisto por pares do tipo antes-depois (JMIR Formative Research, janeiro de 2025) comparou 67.429 consultas pré-implementação (jul-set 2022) com 67.964 consultas pós-implementação (nov 2022-jan 2023): as taxas de faltas caíram de 20,82% para 10,25% (uma redução estatisticamente significativa de 50,7%; OR 0,43, IC 95% 0,42-0,45, P<.001); o tempo médio de espera caiu de 54 para 48,5 minutos, poupando 387.394 minutos de doentes ao longo de três meses; o modelo alcançou uma precisão de 86%.

Conclusions

O estudo recebeu aprovação do Comité de Ética em Investigação do Dubai e a EHS publicou uma Política de IA institucional; as limitações incluem o facto de o fluxo de trabalho de mitigação funcionar fora do sistema de registo eletrónico de saúde (EHR) e a ausência de acompanhamento a longo prazo, de análise do impacto financeiro ou de avaliação de enviesamento demográfico.

Implementation

Implementation detail (cost, timeline, staffing, conditions for success) is not yet available for this practice.

Data sources

Where this practice's information was retrieved from, and when.

Attachments

Similar practices you may find useful