Implementación de la Hora de Llegada

La llegada puntual de los pacientes es esencial para mantener operaciones clínicas eficientes y garantizar que los pacientes reciban la duración completa de su atención programada. Las llegadas tardías interrumpen el flujo de la clínica, reducen el tiempo con los proveedores y pueden retrasar las citas posteriores, creando un efecto dominó a lo largo del día. Este proyecto tiene como objetivo probar una intervención conductual de bajo costo que aclare las expectativas de llegada y promueva la llegada puntual para las citas programadas.

Este estudio evalúa la efectividad de una intervención diseñada para hacer más destacada la hora de llegada esperada para los pacientes. El estudio se implementará en departamentos ambulatorios que brindan atención primaria como parte de la iniciativa de mejora operativa de UCLA Health para mejorar el flujo de la clínica y la experiencia del paciente.

Específicamente, la intervención modifica cómo se presenta la información de la cita a los pacientes (o sus representantes en el caso de pacientes < 18 años) a través de dos canales de comunicación utilizados por UCLA Health: (1) el portal del paciente (llamado MyChart en UCLA Health) y (2) la plataforma de mensajería de texto (llamada Hello World en UCLA Health), que envía a los pacientes notificaciones automáticas por texto antes de su cita.

Condición de Control En la página de inicio de MyChart, los pacientes ven solo la hora programada de la cita (por ejemplo, "Comienza a las 3:00 PM") para sus próximas citas. Dentro de la página de detalles de la cita, los pacientes ven su hora de la cita y una instrucción adicional de "Llegue 15 minutos antes de su cita". Las notificaciones de texto indican la hora de la cita e incluyen un mensaje para llegar 15 minutos antes (por ejemplo, "[Nombre del paciente], tiene una próxima visita el 12 de enero de 2026 a las 3:00 p.m. Llegue 15 minutos antes de su hora de cita").

Condición de Tratamiento En la página de inicio de MyChart, los pacientes ven una hora de llegada explícita para sus próximas citas, establecida 15 minutos antes de la hora programada de la cita (por ejemplo, "Llegue antes de las 2:45 PM" para una cita programada a las 3PM), en lugar de la hora de la cita en sí. Dentro de la página de detalles de la cita, los pacientes ven su hora de la cita así como la hora de llegada.

Las notificaciones de texto indican explícitamente a los pacientes su hora de llegada esperada, en lugar de su hora de cita (por ejemplo, "[Nombre del paciente], tiene una próxima visita el 12 de enero de 2026. Llegue antes de las 2:45 p.m.").

Los investigadores implementarán una aleatorización por conglomerados, asignando todas las citas en persona con médicos o proveedores de práctica avanzada (APP) dentro del mismo edificio clínico a la misma condición experimental. Se incluirán un total de 37 edificios clínicos. Los investigadores planean ejecutar este ensayo clínico durante 6 meses. La funcionalidad de la hora de llegada se implementará 1 mes antes del inicio del período de prueba para introducir un período de lavado.

Pregunta de investigación clave:

Los investigadores plantean la siguiente pregunta de investigación: ¿Mostrar una hora de llegada explícita cambia qué tan temprano llegan los pacientes a sus citas? Los investigadores plantean la hipótesis de que el tratamiento llevará a las personas a llegar más temprano a sus citas, en relación con la condición de control.

Además de examinar la medida continua de qué tan adelante un paciente se registra para sus citas (las medidas de resultado primarias), los investigadores también examinarán dos métricas binarias:

A. Llegada puntual: ¿El tratamiento lleva a los pacientes a ser más propensos a llegar a tiempo (es decir, registrarse antes o a la hora programada de la cita)?

B. Llegada temprana: ¿La condición de tratamiento aumenta la probabilidad de los pacientes de llegar al menos 15 minutos antes de su hora de cita programada?

Plan de análisis:

Los investigadores utilizarán regresiones de mínimos cuadrados ordinarios (MCO) con errores estándar robustos para predecir las variables de resultado. Las inferencias estadísticas se basarán en errores estándar robustos al modelo agrupados a nivel del edificio clínico, que es la unidad de aleatorización. Todos los análisis se realizarán a nivel de cita. El predictor principal será un indicador de si la clínica del paciente fue asignada a la condición de tratamiento de hora de llegada (vs. control estándar de hora de cita).

Estas regresiones se ejecutarán con y sin las siguientes variables de control:

• Edad del paciente (Si habrá valores faltantes, los investigadores los reemplazarán con la media y agregarán una variable ficticia para indicar pacientes con edad faltante)
• Género del paciente
• Raza/etnicidad del paciente
• Puntualidad del paciente: La proporción de las citas médicas en persona del paciente en la misma clínica en los 36 meses anteriores al inicio del ensayo para las cuales llegó a tiempo (Los pacientes sin citas completadas durante este período tendrán datos faltantes. Para estos casos, los investigadores imputarán la media de la muestra y agregarán una variable ficticia para indicar estos pacientes). Si no podemos tener el historial de visitas del paciente durante 36 meses antes del inicio del ensayo, en su lugar controlaremos por la proporción de las citas médicas en persona del paciente en UCLA Health (en todas las clínicas) para las cuales llegó a tiempo (excluyendo citas sin cita previa)
• Tipo de visita (adulto vs niño; nueva vs. de seguimiento)
• Un indicador de si la clínica operaba utilizando horarios de citas en intervalos de 15/30 minutos o 20/40 minutos
• Tipo de seguro (Medicare tradicional, Medicare Advantage, Medicaid, Comercial, otro/desconocido)
• Puntuación de multimorbilidad (Si hay valores faltantes, los investigadores los reemplazarán con la media y agregarán una variable ficticia para indicar pacientes con una puntuación de multimorbilidad faltante)

• Los siguientes indicadores binarios mutuamente excluyentes para tener en cuenta las diferencias en (1) si una cita se programó antes de que se implementara la funcionalidad de hora de llegada y (2) con cuánta anticipación se programó una cita:

  • Programada antes de la implementación de la funcionalidad: Indicador para citas que se programaron antes de que se implementara la funcionalidad de hora de llegada
  • Programada >7 días de antelación: Indicador para citas programadas en o después de la fecha de implementación con más de 7 días entre la programación y la fecha de la cita.
  • Programada 1-7 días de antelación: Indicador para citas programadas en o después de la fecha de implementación con 1 a 7 días entre la programación y la fecha de la cita.
  • Programada <1 día de antelación: Indicador para citas programadas en o después de la fecha de implementación con menos de 1 día entre la programación y la fecha de la cita.

Como análisis exploratorio, los investigadores examinarán los efectos del tratamiento solo entre las citas programadas en o después de la fecha de implementación de la funcionalidad, ya que las notificaciones de confirmación de cita por texto recibidas por esos pacientes reflejarán el diseño experimental.

Para verificaciones de robustez, los investigadores realizarán modelos logit para resultados binarios y reestimarán modelos para el resultado continuo de hora de llegada en los percentiles 1 y 99 (que es un rango de winsorización más amplio que el rango especificado en la sección de resultado principal más adelante).

Nota: Algunos pacientes pueden tener múltiples encuentros elegibles durante la ventana del estudio. Los análisis principales incluirán solo el primer encuentro por paciente. Los análisis exploratorios evaluarán si incluir encuentros posteriores cambia los resultados.

Para probar efectos heterogéneos del tratamiento, los investigadores estimarán modelos de interacción en los que el indicador de tratamiento se interacciona con características del paciente, la visita o la clínica. Los investigadores analizarán los siguientes moderadores:

• Puntualidad a nivel del paciente como se definió anteriormente (Para tener en cuenta valores faltantes, los modelos de regresión interactuarán el indicador de tratamiento tanto con la tasa de puntualidad imputada como con el indicador de falta de datos)
• Cuántas veces los pacientes han asistido a una cita médica en esa misma clínica en los 36 meses anteriores al inicio del ensayo
• Si el departamento de la clínica programa citas en intervalos de 15/30 minutos o 20/40 minutos
• Tasa de puntualidad basal de la clínica: porcentaje de citas que fueron a tiempo (registradas ≤ 0 minutos tarde) en los seis meses anteriores al ensayo
• Tipo de visita (adulto vs. niño)
• Tiempo de programación de la cita (cuatro subgrupos mutuamente excluyentes): Si la cita se programó antes de que se implementara la funcionalidad de hora de llegada vs. se programó después de que se implementó la funcionalidad pero más de 7 días antes de la fecha programada de la visita vs. 1-7 días, vs. <1 día antes de la fecha programada de la visita.
• Puntuación de multimorbilidad (Para tener en cuenta valores faltantes, los modelos de regresión interactuarán el indicador de tratamiento tanto con la puntuación de multimorbilidad imputada como con el indicador de falta de datos)

Los investigadores realizarán análisis exploratorios adicionales para examinar posibles consecuencias posteriores de la intervención:

1. Asistencia a la cita Los investigadores explorarán si la condición de tratamiento afecta las tasas de no presentación en relación con la condición de control. Mostrar explícitamente una hora de llegada solicitada más temprana podría potencialmente aumentar las no presentaciones si algunos pacientes creen que ya han perdido su ventana de cita o se sienten desalentados de venir cuando se dan cuenta de que no pueden llegar a la hora solicitada.

2. Satisfacción del paciente:

   Los investigadores explorarán si la asignación a la condición de tratamiento afecta las calificaciones de satisfacción del paciente en las encuestas posteriores a la visita, centrándose en dos resultados binarios que permiten un análisis por intención de tratar:

   A. Si el paciente deja una mala reseña (esta variable es igual a 1 si el paciente da 1 o 2 estrellas de 5 estrellas y 0 si el paciente da una calificación de estrellas más alta o no proporciona una calificación de estrellas) B. Si el paciente deja una buena reseña (esta variable es igual a 1 si el paciente da 5 estrellas y 0 si el paciente da una calificación más baja o no proporciona una calificación de estrellas).

   Los investigadores realizarán análisis de texto de los comentarios cualitativos de los pacientes en las encuestas para evaluar el sentimiento y las fuentes de preocupaciones o elogios.

3. Cancelaciones de citas Los investigadores probarán si la condición de tratamiento afecta las tasas de cancelación en relación con la condición de control. Este análisis ayudará a determinar si el encuadre "Llegue Antes de" tiene algún efecto no intencionado en la probabilidad de los pacientes de cancelar en lugar de asistir a su cita.
4. Métricas de flujo de trabajo clínico:

Los investigadores examinarán si el tratamiento influye en las siguientes dos métricas operativas dentro de la clínica:

A. Tiempo en sala del paciente: el número de minutos entre el registro del paciente y el momento en que son ubicados en la sala de examen.

B. Hora en que el médico ingresa a la sala de examen: el número de minutos entre la hora programada de la cita y cuando el proveedor ingresa a la sala.

C. Tiempo entre el registro y la entrada del proveedor: Número de minutos entre el registro del paciente y el momento en que el proveedor ingresa a la sala de examen.

Los investigadores utilizarán regresiones cuantílicas para este conjunto de análisis. Estas medidas exploratorias proporcionan información sobre si la puntualidad mejorada se traduce en un flujo clínico más fluido o cambios en el tiempo de espera del paciente. Es probable que estas medidas sean ruidosas ya que el momento en que los pacientes son ubicados en la sala de examen o son atendidos por el proveedor no siempre se registra en tiempo real.