Background: The timely allocation of appointments for new patients is a daily challenge in rheumatological practice, which can be supported by digital solutions. The question is to find the simplest and most effective possible method for prioritization when allocating appointments.
Methods: Using a registration form for new patients, standardized symptoms and laboratory results were collated. After reviewing this information by a medical specialist the allocation of appointments was carried out in three categories: a) < 6 weeks, b) 6 weeks up to 3 months and c) > 3 months. The waiting time between the time of registration and the presentation appointment was calculated and compared between patients with and without a diagnosis of an inflammatory rheumatic disease (IRD). In addition a decision tree (DT), a method taken from the field of supervised learning within artificial intelligence (AI), was established and the resulting classification was compared with respect to the accuracy and calculated saving in waiting time.
Results: In this study 800 appointments between 2020 and 2023 (including 555 women, 69.4%, median age 53 years, interquartile range, IQR 39-63 years) were analyzed. An IRD could be confirmed in 409 (51.1%) cases with a waiting time of 58 vs. 93 days for non-IRD cases (-38%, p < 0.01). An AI-based stratification resulted in an accuracy of 67% for IRD and a predicted saving of 19% waiting time. The accuracy increased up to 78% with a time saving for IRD cases of up to 31%, when all basic laboratory results were known. Simplified algorithms, e.g., stratification by the use of laboratory findings alone, resulted in a lower accuracy and time savings.
Conclusion: Manual allocation of appointments by a medical specialist is effective and significantly reduces the waiting times for patients with IRD. An automated categorization can lead to a reduction in waiting times for appointments when taking complete laboratory results and a lower sensitivity into consideration.
Zusammenfassung: HINTERGRUND: Die zeitnahe Terminvergabe für Neuvorstellungen ist eine tägliche Herausforderung in der rheumatologischen Praxis, die von digitalen Lösungen unterstützt werden kann. Es stellt sich die Frage nach einer möglichst einfachen und effektiven Methode der Terminpriorisierung.
Methoden: Mithilfe eines Anmeldeformulars für Neuvorstellungen wurden standardisiert Symptome und Laborbefunde erfasst. Die Terminvergabe erfolgte nach fachärztlicher Sichtung dieser Informationen in 3 Kategorien: (a) < 6 Wochen, (b) 6 Wochen bis 3 Monate und (c) > 3 Monate. Die Wartezeiten zwischen dem Zeitpunkt der Anmeldung und dem Vorstellungstermin wurden berechnet und verglichen zwischen Patienten mit und ohne Diagnose einer entzündlich-rheumatischen Erkrankung (ERE). Zusätzlich wurde ein Entscheidungsbaum, eine Methode aus dem Bereich des überwachten Lernens innerhalb der künstlichen Intelligenz (KI), erstellt und die resultierende Klassifikation bezüglich Trefferrate und berechneter Wartezeitersparnis verglichen.
Ergebnisse: Insgesamt wurden 800 Fälle (darunter 555 Frauen [69,4 %], medianes Alter 53 Jahre [IQA 39–63]) zwischen 2020 und 2023 ausgewertet. Eine ERE konnte in 409 (51,1 %) Fällen bestätigt werden mit einer Wartezeit von 58 vs. 93 Tagen bei Non-ERE-Fällen (−38 %, p < 0,01). Eine KI-Stratifizierung ergab eine Trefferrate von 67 % bezüglich einer ERE und eine prognostizierte Einsparung von 19 % Wartezeit. Die Trefferrate stieg hierbei auf 78 % mit einer Zeitersparnis für ERE-Fälle um bis zu 31 %, wenn grundlegende Laborergebnisse bekannt waren. Andererseits ergaben vereinfachte Algorithmen z. B. durch eine reine Laborwert-basierte Stratifizierung eine niedrigere Trefferrate und Zeitersparnis.
Schlussfolgerung: Die fachärztliche Terminzuweisung ist effektiv und verkürzt die Terminwartezeit für Patienten mit ERE signifikant. Eine automatisierte Kategorisierung kann unter Berücksichtigung vollständiger Laborwerte mit reduzierter Sensitivität zu einer Verkürzung der Terminwartezeit führen.
Keywords: Appointment allocation; Artificial intelligence (AI); Predictive value; Rheumatic diseases; Triage.
© 2024. The Author(s).