Alene i Region Midtjylland udebliver 4.600 patienter hver måned fra en aftale på sygehuset. Det er ganske givet en genkendelig problemstilling for de øvrige regioner og sygehuse. Det koster samfundet penge, når afdelingernes personale står klar til at modtage patienter, som ikke kommer, og presset på ventelisterne stiger, når en ny tid skal bookes til den samme patient. Og for patienten som udebliver har det også konsekvenser.
I april indførtes i Region Midtjylland et forsøg med at sende bøder til patienterne der udebliver fra en indkaldelse. Der er udstedt 59 bøder og indtil nu har under 10% af patienterne betalt disse.
Så er bøder til udeblevne patienter vejen frem? Jeg mener, at vi bør gå en helt anden vej og i stedet udnytte data og analysemodeller til at:
- Forudsige udeblivelser og herudfra tilpasse den daglige planlægning
- Reducere antallet af udeblivelser
Det vil være bedre og billigere for alle parter.
Forudsige udeblivelser
Ved at analysere nærmere på udeblivelser kan man forudsige, hvilke patienter der har den højeste risiko for ikke at møde op. Første skridt er at lave en patientgruppering i forhold til risiko for udeblivelse og dernæst kan man så udarbejde prediktive modeller, der siger noget om udeblivelser på det enkelte hospital og på den enkelte afdeling. Mit bud er, at man kan få en stor nøjagtighed via denne metode, og at man derfor kan bruge den fremkomne information i den daglige planlægning af aktiviteter på en afdeling. Man kan for eksempel bruge informationen til at dobbeltbooke tider ved særligt udvalgte patientgrupper, for derved at undgå bortfald af produktivitet på afdelingen. Men der er også alternativ 2, som med fordel kan bygges ovenpå prediktionen, nemlig reduktion af udeblivelser.
Reducer udeblivelser
Kan du finde dem, som er i størst risiko for at udeblive, kan du iværksætte tiltag for at reducere udeblivelserne hos disse. Dette har man gjort i årevis i andre brancher, hvor data og analyse bruges til at finde ud af, hvordan man mest optimalt får en kunde/borger til at gøre noget bestemt.
Lad mig give et eksempel. Topdanmark har 700.000 privatkunder og heraf skifter hver 6. forsikringsselskab i løbet af et år. Topdanmark har en interesse i at fastholde så mange af deres gode kunder som muligt, men har ikke mulighed for at kontakte alle 700.000 jævnligt. Derfor bruger Topdanmark i stedet data og analyse til at finde de kunder, der er i størst risiko for at forlade Topdanmark og målretter så deres kommunikation til disse, for at finde ud af, hvad der skal til for at beholde dem som kunder.
Analogien til udeblivelser ligger lige for. I stedet for fastholdelse af de gode kunder handler det om at reducere antallet af udeblivelser. Hvis man bruger data og analyse til at finde de patienter, der er i størst risiko for udeblivelse kan man gøre en ekstra indsats for at få netop disse patienter til at møde op. Og man kan analysere på, hvilken indsats, der viser sig at være den mest effektive. Jeg er helt sikker på, at man vil kunne reducere antallet af udeblivelser på denne måde, og det vil være til glæde for patienten og til gavn for sundhedsøkonomien.
Jacob Kjellberg er under KORA i gang med et studie af hvilken effekt betaling for udeblivelse har på omfanget af udeblivelser. Det bliver naturligvis interessant at følge dette, men med den foreløbige betalingsandel på under 1+% på pt. 250kr pr udeblivelse in mente, bør man helt sikkert overveje og afprøve alternativer - alene administrationen af bøderne kan blive så omkostningstung, at processen vil belaste hospitalernes økonomi yderligere.
Jeg synes det kunne være interessant at lave et projekt hvor man tester effekten af at forudsige og reducere udeblivelser. Hvis du vil være med, så giv mig meget gerne et praj. Det vil gavne patienterne og hospitalernes økonomi langt mere end bøder for udeblivelser.
Jeg ser frem til at følge projekter, hvor man tester effekten af at forudsige og reducere udeblivelser. Det vil gavne patienterne og hospitalernes økonomi langt mere end bøder for udeblivelser.
