אף אחד מאתנו לא אוהב לחכות בתור, ובמיוחד לא כשמדובר בהמתנה במרפאה עמוסה בבית חולים. תורים מתארכים, איחורים והיעדרות של מטופלים, הפכו לתופעה שכיחה שמערערת את היעילות של מערכות הבריאות ופוגעת לא רק בצוותים הרפואיים, אלא גם בחוויית השירות של המטופלים עצמם. חוסר היצמדות המטופלים למועדי התורים שנקבעו עבורם, מביא לעומסים מיותרים, תסכול בקרב הצוות הרפואי, ירידה באיכות השירות, ואף הפסדים כלכליים מהותיים עבור בתי חולים וקופות החולים.
כאשר מטופלים אינם מגיעים לתורם או מאחרים אליו, משתבשת שרשרת הטיפול ונפגעת היכולת של המרפאה לנהל את זמני הביקורים ביעילות. כך נוצרים "צווארי בקבוק", ניצול חלקי של משאבים רפואיים, ועומסים שנבנים לאורך שעות הפעילות.
הנזק במספרים
על פי נתונים שנאספו במרכז הרפואי ת"א (איכילוב), 67% מהמטופלים הביעו חוסר שביעות רצון ממערכת ניהול התורים הקיימת. יתרה מכך, כל אחוז נוסף של חוסר הגעה גורר אתו עלות של כ-7 מיליון ש"ח בשנה. בנוסף, הפגיעה העקיפה כתוצאה מדחיית פרוצדורות אלקטיביות או אשפוזים נאמדת ב-16 מיליון ש"ח נוספים. מבחינה לאומית, הנזק הכלכלי השנתי של תופעת ההיעדרויות מוערך בכ-253 מיליון ש"ח – סכום עצום שמעיד על חומרת הבעיה.
אין מדובר בתופעה ייחודית לישראל. במדינות רבות בעולם גם כן מתמודדים עם שיעורי היעדרות גבוהים: בארצות הברית, לדוגמה, שיעור ההיעדרות הממוצע עומד על 18%, בעוד ששיעור האיחורים אף מגיע ל-31%. כבר בשנת 2014 דווח כי ההפסד השנתי למרפאות בארה"ב עקב תופעה זו עומד על סכום דמיוני של כ-100 מיליארד דולר.
פתרונות ביניים
במטרה להתמודד עם התופעה, נעשה ניסיון לאמץ פתרונות שונים, ביניהם שליחת תזכורות באמצעות הודעות טקסט, שיחות טלפוניות מקדימות, אפשרות נוחה לביטול תורים מראש ואפילו הטלת קנסות כלפי מטופלים שלא מתייצבים לתורם. אולם, ככלל, אמצעים אלה לא הצליחו לבלום את מגמת ההיעדרויות והאיחורים באופן מספק. נהפוך הוא, חלק מהפתרונות הביאו לאפקט הפוך: ניסיון לפצות על אי ההגעה על ידי קביעת תורים מעבר לקיבולת המרפאה יצר דווקא עומס נוסף, שהגביר את תחושת חוסר היעילות וחוסר הסדר.
הגורם האנושי
כדי להציע פתרון אמתי, יש להבין מה גורם לחוסר ההגעה. מסתבר שהגורמים לכך מגוונים ומשתנים בהתאם למאפיינים דמוגרפיים, הרגלים אישיים, מיקום גאוגרפי, מצב רפואי, שעת התור ועוד. מחקר שבוצע במרפאת העיניים באיכילוב, אשר ניתח למעלה מ-120,000 ביקורים שנתיים, העלה ממצאים מרתקים: רק כ-31% מהמטופלים מגיעים בדיוק בשעת התור שנקבעה, 17% מאחרים, 39% מגיעים מוקדם מדי, ו-13% כלל אינם מופיעים.
ניתוח הדאטה העלה דפוסים ברורים בהתנהגות:
מטופלים שמאחרים לתור נוטים להיות צעירים יותר (מתחת לגיל 50), ישראלים ילידי הארץ עם מאפיינים דמוגרפיים נוספים, ומעדיפים תורים המאוחרים מהשעה 11:00. מטופלים שמקדימים נוטים להיות בגיל פנסיה (מעל 70), בעלי מאפיינים דמוגרפיים שונים, ומגיעים לתורים בשעות הצהריים המאוחרות. מטופלים שנעדרו בעבר נוטים להמשיך ולהיעדר גם בעתיד, 1/3 מהם חוזרים על דפוס זה באופן כרוני.
חיזוי חכם
לצורך התמודדות אפקטיבית עם אתגר ההיעדרויות, פותח רעיון חדשני בשם "הפרדיקטור" – מערכת מבוססת בינה מלאכותית (AI) ולמידת מכונה (Machine Learning) אשר מזהה מראש את הסיכוי שמטופל ייעדר מהתור שנקבע לו. זאת, בניגוד לאסטרטגיות מסורתיות שמתמקדות רק בתזכורות או קנסות.
כיצד זה עובד?
הפרדיקטור עושה שימוש במודלים סטטיסטיים ומכונתיים מתקדמים לניתוח מידע מריבוי מקורות ממערכות בריאות, כגון רשומות רפואיות אלקטרוניות, מערכות זימון תורים, ומקורות חיצוניים (כגון נתוני מזג אוויר ותחבורה ציבורית). המערכת לומדת את התנהגות המטופלים לאורך זמן, מזהה דפוסים חוזרים, ומשלבת משתנים שונים כדי לאמוד את סיכויי ההגעה לתור הקרוב.
המערכת כוללת שלושה רכיבים עיקריים:
1. מודול חיזוי ואפיון מטופלים–מתבסס על ניתוח דפוסים אישיים ודמוגרפיים.
2. מודול תזמון חכם– מאפשר התאמה אופטימלית של זמני התור, כולל over booking מושכל (הזמנת מטופלים מעבר לקיבולת הרגילה בהתבסס על תחזית היעדרות).
3. אינטגרציה עם מערכות קיימות–מאפשרת הטמעה במערכת הזימון של בתי החולים, עם אפשרות להתרחבות למרפאות אחרות בארץ ובעולם.
הנתונים שמזינים את המערכת
לצורך אימון ויישום המודל, נאספו נתונים ממערכות בתי החולים לאורך שש שנים (2013–2019) בקרב 12 מרפאות שונות.
נתוני דמוגרפיה: גיל, מגדר, כתובת, מאפיין דמוגרפי, מצב משפחתי.
מידע רפואי: מספר ימי אשפוז, סוגי תורים, היסטוריית ביקורים והיעדרויות.
נתוני תור: מרווח הזמן בין קביעת התור לתאריך עצמו, שעת התור.
מידע חיצוני: מזג אוויר, חגים, ימי השבוע, זמינות תחבורה ציבורית.
על בסיס נתונים אלה, מייצר מודל ציון הסתברות עבור כל תור, אשר משקף את רמת הסיכון לכך שהמטופל ייעדר ממנו.
דוגמאות לשלבי פיתוח מודל סיווג להיעדרות מטופלים
- הכנת הנתונים ומחקר ראשוני -מטרת שלב זה לייצר ניקוי, ארגון והיכרות ראשונית עם מערך הנתונים.
- הנדסת תכונות – בשלב זה מתקיימות הפקה ויצירה של תכונות (Features) חדשות שעשויות לשפר את ביצועי המודל. למשל: מרחק בין מקום מגורי המטופל למרפאה, זמן ממוצע בין קביעת תור למועד התור, מספר ההיעדרויות הקודמות של המטופל ועוד.
- אימון ותיקוף מוצלב – בשלב זה מתקיימים תהליכי אימון כמו חלוקת הנתונים לסט אימון וסט בדיקה ושימוש ב-Cross Validation כדי להבטיח שהמודל לא תלוי בדגימה מסוימת.
- מתן ציונים ופריסת המודל – בשלב זההמודל מחזיר ציון הסתברות עבור כל תור ומבצע שילוב של המודל במערכות ניהול התורים של המרפאה ויצירת API לחיזוי בזמן אמת.
מערכת הפרדיקטור מבשרת גישה חדשה לניהול תורים במערכת הבריאות, כזו שמתבססת לא על ענישה או תזכורות בלבד, אלא על תובנות מבוססות דאטה ויכולת חיזוי מתקדמת. על ידי התאמת לוח התורים למאפיינים האישיים של המטופלים, ניתן לצמצם את תופעת ההיעדרויות, לשפר את ניצול המשאבים ולהבטיח חוויית שירות רציפה, מקצועית ואנושית יותר, עבור כלל המטופלים והצוותים הרפואיים כאחד.
ד"ר עומר טרביצקי הוא סגן מנהל מערך העיניים והמנהל הרפואי של I-NEXT איכילוב טק.
בשיתוף המרכז הרפואי איכילוב
