Ankunftszeit Implementierung

Pünktliches Eintreffen der Patienten ist entscheidend für einen effizienten Klinikbetrieb und sicherzustellen, dass Patienten die gesamte Dauer ihrer geplanten Behandlung erhalten. Verspätungen stören den Klinikablauf, verkürzen die Zeit mit den Leistungserbringern und können nachfolgende Termine verzögern, was einen Dominoeffekt über den Tag hinweg erzeugt. Dieses Projekt zielt darauf ab, eine kostengünstige verhaltensbezogene Intervention zu testen, die die Ankunftserwartungen klärt und pünktliches Eintreffen für geplante Termine fördert.

Diese Studie bewertet die Wirksamkeit einer Intervention, die darauf ausgelegt ist, die erwartete Ankunftszeit für Patienten deutlicher hervorzuheben. Die Studie wird in ambulanten Abteilungen umgesetzt, die primärärztliche Versorgung anbieten, als Teil der operativen Verbesserungsinitiative von UCLA Health zur Optimierung des Klinikablaufs und der Patientenerfahrung.

Konkret modifiziert die Intervention, wie Termininformationen Patienten (oder Vertretern im Fall von Patienten < 18 Jahren) über zwei von UCLA Health genutzte Kommunikationskanäle präsentiert werden: (1) das Patientenportal (bei UCLA Health MyChart genannt) und (2) die Textnachrichtenplattform (bei UCLA Health Hello World genannt), die Patienten automatisierte Textbenachrichtigungen vor ihrem Termin sendet.

Kontrollbedingung Auf der MyChart-Startseite sehen Patienten nur die geplante Terminzeit (z.B. "Beginnt um 15:00 Uhr") für ihre bevorstehenden Termine. Auf der Seite mit den Termindetails sehen Patienten ihre Terminzeit und eine zusätzliche Anweisung, "15 Minuten vor Ihrem Termin einzutreffen." Textbenachrichtigungen nennen die Terminzeit und enthalten eine Aufforderung, 15 Minuten früher zu kommen (z.B. "[Patientenname], Sie haben einen bevorstehenden Besuch am 12. Jan. 2026 um 15:00 Uhr. Treffen Sie 15 Minuten vor Ihrer Terminzeit ein").

Behandlungsbedingung Auf der MyChart-Startseite sehen Patienten eine explizite Ankunftszeit für ihre bevorstehenden Termine, die auf 15 Minuten vor der geplanten Terminzeit festgelegt ist (z.B. "Treffen Sie bis 14:45 Uhr ein" für einen um 15 Uhr geplanten Termin), anstelle der Terminzeit selbst. Auf der Seite mit den Termindetails sehen Patienten ihre Terminzeit sowie die Ankunftszeit.

Textbenachrichtigungen teilen Patienten explizit ihre erwartete Ankunftszeit mit, anstatt ihrer Terminzeit (z.B. "[Patientenname], Sie haben einen bevorstehenden Besuch am 12. Jan. 2026. Treffen Sie bis 14:45 Uhr ein.").

Die Forscher werden eine Cluster-Randomisierung durchführen, wobei alle persönlichen Termine bei Ärzten oder fortgeschrittenen Praxisanbietern (APP) im selben Klinikgebäude derselben Versuchsbedingung zugewiesen werden. Insgesamt werden 37 Klinikgebäude einbezogen. Die Forscher planen, diese klinische Studie über 6 Monate durchzuführen. Die Ankunftszeitfunktionalität wird 1 Monat vor Beginn der Studienphase implementiert, um eine Auswaschphase einzuführen.

Zentrale Forschungsfrage:

Die Forscher stellen die folgende Forschungsfrage: Verändert die Anzeige einer expliziten Ankunftszeit, wie früh Patienten zu ihren Terminen eintreffen? Die Forscher gehen davon aus, dass die Behandlung dazu führt, dass Personen im Vergleich zur Kontrollbedingung früher zu ihren Terminen eintreffen.

Zusätzlich zur Untersuchung des kontinuierlichen Maßes, wie weit im Voraus ein Patient für seine Termine eincheckt (die primären Ergebnisparameter), werden die Forscher auch zwei binäre Metriken untersuchen:

A. Pünktliches Eintreffen: Führt die Behandlung dazu, dass Patienten mit höherer Wahrscheinlichkeit pünktlich eintreffen (d.h. vor oder zum geplanten Termin einchecken)?.

B. Frühes Eintreffen: Erhöht die Behandlungsbedingung die Wahrscheinlichkeit der Patienten, mindestens 15 Minuten vor ihrer geplanten Terminzeit einzutreffen?

Analyseplan:

Die Forscher werden gewöhnliche Kleinste-Quadrate-Regressionen (OLS) mit robusten Standardfehlern verwenden, um Ergebnisvariablen vorherzusagen. Statistische Schlussfolgerungen basieren auf modellrobusten Standardfehlern, die auf Klinikgebäudeebene geclustert sind, der Randomisierungseinheit. Alle Analysen werden auf Terminebene durchgeführt. Der primäre Prädiktor wird ein Indikator dafür sein, ob die Klinik des Patienten der Ankunftszeit-Behandlungsbedingung zugewiesen wurde (vs. Standard-Terminzeit-Kontrolle).

Diese Regressionen werden mit und ohne die folgenden Kontrollvariablen durchgeführt:

• Patientenalter (Bei fehlenden Werten werden die Forscher den Mittelwert ersetzen und eine Dummy-Variable hinzufügen, um Patienten mit fehlendem Alter anzuzeigen)
• Patientengeschlecht
• Patientenrasse/-ethnizität
• Patientenpünktlichkeit: Der Anteil der persönlichen Arzttermine des Patienten in derselben Klinik in den 36 Monaten vor Studienbeginn, zu denen sie pünktlich eintrafen (Patienten ohne abgeschlossene Termine in diesem Zeitraum haben fehlende Daten. Für diese Fälle werden die Forscher den Stichprobenmittelwert imputieren und eine Dummy-Variable hinzufügen, um diese Patienten anzuzeigen). Wenn wir die Patientenbesuchsgeschichte für 36 Monate vor Studienbeginn nicht haben können, kontrollieren wir stattdessen für den Anteil der persönlichen Arzttermine des Patienten bei UCLA Health (über alle Kliniken hinweg), zu denen sie pünktlich eintrafen (ohne Termine ohne Voranmeldung)
• Besuchsart (Erwachsene vs. Kinder; neu vs. wiederkehrend)
• Ein Indikator dafür, ob die Klinik Terminpläne in 15/30-Minuten- oder 20/40-Minuten-Blöcken verwendet
• Versicherungstyp (Traditionelles Medicare, Medicare Advantage, Medicaid, Kommerziell, andere/unbekannt)
• Multimorbiditäts-Score (Bei fehlenden Werten werden die Forscher den Mittelwert ersetzen und eine Dummy-Variable hinzufügen, um Patienten mit fehlendem Multimorbiditäts-Score anzuzeigen)

• Die folgenden sich gegenseitig ausschließenden binären Indikatoren zur Berücksichtigung von Unterschieden in (1) ob ein Termin vor der Implementierung der Ankunftszeitfunktionalität geplant wurde und (2) wie weit im Voraus ein Termin geplant wurde:

  • Vor Funktionsimplementierung geplant: Indikator für Termine, die vor der Implementierung der Ankunftszeitfunktionalität geplant wurden
  • >7 Tage im Voraus geplant: Indikator für Termine, die am oder nach dem Implementierungsdatum mit mehr als 7 Tagen zwischen Planung und Termindatum geplant wurden.
  • 1-7 Tage im Voraus geplant: Indikator für Termine, die am oder nach dem Implementierungsdatum mit 1 bis 7 Tagen zwischen Planung und Termindatum geplant wurden.
  • <1 Tag im Voraus geplant: Indikator für Termine, die am oder nach dem Implementierungsdatum mit weniger als 1 Tag zwischen Planung und Termindatum geplant wurden.

Als explorative Analyse werden die Forscher Behandlungseffekte nur unter Terminen untersuchen, die am oder nach dem Implementierungsdatum der Funktionalität geplant wurden, da die von diesen Patienten erhaltenen Terminbestätigungstextbenachrichtigungen das Versuchsdesign widerspiegeln.

Als Robustheitsprüfungen werden die Forscher Logit-Modelle für binäre Ergebnisse durchführen und Modelle für das kontinuierliche Ankunftszeitergebnis an den 1. und 99. Perzentilen neu schätzen (was ein breiterer Winsorisierungsbereich ist als der im späteren primären Ergebnisabschnitt angegebene Bereich).

Hinweis: Einige Patienten können mehrere berechtigte Begegnungen während des Studienzeitraums haben. Die Hauptanalysen werden nur die erste Begegnung pro Patient umfassen. Explorative Analysen werden bewerten, ob die Einbeziehung nachfolgender Begegnungen die Ergebnisse ändert.

Um heterogene Behandlungseffekte zu testen, werden die Forscher Interaktionsmodelle schätzen, in denen der Behandlungsindikator mit Patienten-, Besuchs- oder Klinikmerkmalen interagiert. Die Forscher werden die folgenden Moderatoren analysieren:

• Patientenebenen-Pünktlichkeit wie oben definiert (Um fehlende Werte zu berücksichtigen, werden die Regressionsmodelle den Behandlungsindikator sowohl mit der imputierten Pünktlichkeitsrate als auch mit dem Fehlendheitsindikator interagieren lassen)
• Wie oft Patienten in den 36 Monaten vor Studienbeginn einen Arzttermin in derselben Klinik wahrgenommen haben
• Ob die Klinikabteilung Termine in 15/30-Minuten- oder 20/40-Minuten-Blöcken plant
• Baseline-Pünktlichkeitsrate der Klinik: Prozentsatz der Termine, die in den sechs Monaten vor der Studie pünktlich waren (eingecheckt ≤ 0 Minuten zu spät)
• Besuchsart (Erwachsene vs. Kinder)
• Terminplanungszeit (vier sich gegenseitig ausschließende Untergruppen): Ob der Termin vor der Implementierung der Ankunftszeitfunktionalität geplant wurde vs. er nach der Funktionsimplementierung, aber mehr als 7 Tage vor dem geplanten Besuchsdatum geplant wurde vs. 1-7 Tage vs. <1 Tag vor dem geplanten Besuchsdatum.
• Multimorbiditäts-Score (Um fehlende Werte zu berücksichtigen, werden die Regressionsmodelle den Behandlungsindikator sowohl mit dem imputierten Multimorbiditäts-Score als auch mit dem Fehlendheitsindikator interagieren lassen)

Die Forscher werden zusätzliche explorative Analysen durchführen, um mögliche nachgelagerte Konsequenzen der Intervention zu untersuchen:

1. Terminanwesenheit Die Forscher werden untersuchen, ob die Behandlungsbedingung die Nichterscheinungsraten im Vergleich zur Kontrollbedingung beeinflusst. Explizites Anzeigen einer früher angefragten Ankunftszeit könnte potenziell Nichterscheinen erhöhen, wenn einige Patienten glauben, ihr Terminfenster bereits verpasst zu haben oder sich entmutigt fühlen zu kommen, wenn sie erkennen, dass sie nicht zur angefragten Zeit eintreffen können.

2. Patientenzufriedenheit:

   Die Forscher werden untersuchen, ob die Zuweisung zur Behandlungsbedingung Patientenzufriedenheitsbewertungen in Nachbesuchsumfragen beeinflusst, indem sie sich auf zwei binäre Ergebnisse konzentrieren, die eine Intention-to-Treat-Analyse ermöglichen:

   A. Ob der Patient eine schlechte Bewertung hinterlässt (diese Variable ist 1, wenn der Patient 1 oder 2 von 5 Sternen vergibt, und 0, wenn der Patient eine höhere Sternebewertung gibt oder keine Sternebewertung abgibt) B. Ob der Patient eine gute Bewertung hinterlässt (diese Variable ist 1, wenn der Patient 5 Sterne vergibt und 0, wenn der Patient eine niedrigere Bewertung gibt oder keine Sternebewertung abgibt).

   Die Forscher werden Textanalysen der qualitativen Kommentare der Patienten in den Umfragen durchführen, um Stimmung und Quellen von Bedenken oder Komplimenten zu bewerten.

3. Terminabsagen Die Forscher werden testen, ob die Behandlungsbedingung die Absageraten im Vergleich zur Kontrollbedingung beeinflusst. Diese Analyse wird helfen zu bestimmen, ob das "Treffen Sie bis"-Framing unbeabsichtigte Auswirkungen auf die Wahrscheinlichkeit der Patienten hat, ihren Termin abzusagen, anstatt ihn wahrzunehmen.
4. Klinikablaufmetriken:

Die Forscher werden untersuchen, ob die Behandlung die folgenden zwei operativen Metriken innerhalb der Klinik beeinflusst:

A. Patientenraumzeit: die Anzahl der Minuten zwischen dem Einchecken des Patienten und der Zeit, zu der sie im Untersuchungsraum untergebracht werden.

B. Zeit, zu der der Arzt den Untersuchungsraum betritt: die Anzahl der Minuten zwischen der geplanten Terminzeit und dem Zeitpunkt, zu dem der Leistungserbringer den Raum betritt.

C. Zeit zwischen Einchecken und Eintritt des Leistungserbringers: Anzahl der Minuten zwischen dem Einchecken des Patienten und der Zeit, zu der der Leistungserbringer den Untersuchungsraum betritt.

Die Forscher werden Quantilregressionen für diese Reihe von Analysen verwenden. Diese explorativen Maßnahmen geben Aufschluss darüber, ob verbesserte Pünktlichkeit zu einem reibungsloseren Klinikablauf oder Veränderungen der Patientenwartezeit führt. Diese Maßnahmen sind wahrscheinlich verrauscht, da die Zeit, zu der Patienten im Untersuchungsraum untergebracht werden oder vom Leistungserbringer gesehen werden, nicht immer in Echtzeit aufgezeichnet wird.