Implementacja Czasu Przyjazdu

Terminowe przybycie pacjentów jest niezbędne dla utrzymania efektywnych operacji klinicznych i zapewnienia, że pacjenci otrzymają pełny czas zaplanowanej opieki. Spóźnione przybycia zakłócają przepływ kliniki, skracają czas z dostawcami opieki i mogą opóźniać kolejne wizyty, tworząc efekt domina w ciągu dnia. Ten projekt ma na celu przetestowanie niskokosztowej interwencji behawioralnej, która wyjaśnia oczekiwania dotyczące przybycia i promuje punktualne przybycie na zaplanowane wizyty.

To badanie ocenia skuteczność interwencji zaprojektowanej, aby uczynić oczekiwany czas przybycia bardziej widocznym dla pacjentów. Badanie będzie wdrożone w ambulatoryjnych oddziałach świadczących podstawową opiekę zdrowotną w ramach inicjatywy operacyjnej poprawy UCLA Health mającej na celu poprawę przepływu kliniki i doświadczeń pacjentów.

Konkretnie, interwencja modyfikuje sposób prezentacji informacji o wizytach pacjentom (lub pełnomocnikom w przypadku pacjentów < 18 lat) poprzez dwa kanały komunikacji używane przez UCLA Health: (1) portal pacjenta (nazywany MyChart w UCLA Health) i (2) platformę wiadomości tekstowych (nazywaną Hello World w UCLA Health), która wysyła pacjentom automatyczne powiadomienia tekstowe przed ich wizytą.

Warunek kontrolny Na stronie głównej MyChart pacjenci widzą tylko zaplanowany czas wizyty (np. "Rozpoczyna się o 15:00") dla nadchodzących wizyt. Na stronie szczegółów wizyty pacjenci widzą czas wizyty oraz dodatkową instrukcję "Przyjdź 15 minut przed wizytą." Powiadomienia tekstowe podają czas wizyty i zawierają zachętę do przybycia 15 minut wcześniej (np. "[Imię pacjenta], masz nadchodzącą wizytę 12 stycznia 2026 o 15:00. Przyjdź 15 minut przed czasem wizyty").

Warunek eksperymentalny Na stronie głównej MyChart pacjenci widzą wyraźny czas przybycia dla nadchodzących wizyt, ustawiony na 15 minut przed zaplanowanym czasem wizyty (np. "Przyjdź do 14:45" dla wizyty zaplanowanej na 15:00), zamiast samego czasu wizyty. Na stronie szczegółów wizyty pacjenci widzą czas wizyty oraz czas przybycia.

Powiadomienia tekstowe wyraźnie informują pacjentów o oczekiwanym czasie przybycia, zamiast o czasie wizyty (np. "[Imię pacjenta], masz nadchodzącą wizytę 12 stycznia 2026. Przyjdź do 14:45.")

Badacze wdrożą randomizację klastrową, przypisując wszystkie wizyty osobiste u lekarza lub zaawansowanego praktyka (APP) w tym samym budynku kliniki do tego samego warunku eksperymentalnego. W sumie uwzględnionych zostanie 37 budynków klinik. Badacze planują prowadzić to badanie kliniczne przez 6 miesięcy. Funkcjonalność czasu przybycia zostanie wdrożona 1 miesiąc przed rozpoczęciem okresu badania, aby wprowadzić okres wymywania.

Kluczowe pytanie badawcze:

Badacze zadają następujące pytanie badawcze: Czy wyświetlanie wyraźnego czasu przybycia zmienia, jak wcześnie pacjenci przybywają na swoje wizyty? Badacze zakładają, że warunek eksperymentalny spowoduje, że ludzie będą przybywać wcześniej na swoje wizyty, w porównaniu z warunkiem kontrolnym.

Oprócz zbadania ciągłej miary tego, jak wcześnie pacjent rejestruje się na swoje wizyty (główne miary wyników), badacze zbadają również dwie binarne metryki:

A. Punktualne przybycie: Czy warunek eksperymentalny prowadzi do większego prawdopodobieństwa punktualnego przybycia pacjentów (tj. rejestracji przed lub w zaplanowanym czasie wizyty)?

B. Wczesne przybycie: Czy warunek eksperymentalny zwiększa prawdopodobieństwo przybycia pacjentów co najmniej 15 minut przed zaplanowanym czasem wizyty?

Plan analizy:

Badacze użyją regresji metodą najmniejszych kwadratów (OLS) z robust standard errors, aby przewidzieć zmienne wynikowe. Wnioskowanie statystyczne będzie oparte na robust standard errors zgrupowanych na poziomie budynku kliniki, który jest jednostką randomizacji. Wszystkie analizy będą przeprowadzone na poziomie wizyty. Głównym predyktorem będzie wskaźnik, czy klinika pacjenta została przypisana do warunku eksperymentalnego czasu przybycia (vs. standardowy czas wizyty kontrolny).

Te regresje będą przeprowadzone z następującymi zmiennymi kontrolnymi i bez nich:

• Wiek pacjenta (Jeśli będą brakujące wartości, badacze zastąpią je średnią i dodadzą zmienną dummy, aby wskazać pacjentów z brakującym wiekiem)
• Płeć pacjenta
• Rasa/pochodzenie etniczne pacjenta
• Punktualność pacjenta: Proporcja osobistych wizyt u lekarza pacjenta w tej samej klinice w ciągu 36 miesięcy przed rozpoczęciem badania, na które przybył punktualnie (Pacjenci bez zakończonych wizyt w tym okresie będą mieli brakujące dane. W tych przypadkach badacze imputują średnią z próby i dodadzą zmienną dummy, aby wskazać tych pacjentów). Jeśli nie będziemy mieli historii wizyt pacjenta z 36 miesięcy przed rozpoczęciem badania, zamiast tego będziemy kontrolować proporcję osobistych wizyt u lekarza pacjenta w UCLA Health (we wszystkich klinikach), na które przybył punktualnie (z wyłączeniem wizyt bez zapisu)
• Typ wizyty (dorośli vs dzieci; nowi vs. powracający)
• Wskaźnik, czy klinika działała przy użyciu harmonogramów wizyt w slotach 15/30 minutowych lub 20/40 minutowych
• Typ ubezpieczenia (Tradycyjne Medicare, Medicare Advantage, Medicaid, Komercyjne, inne/nieznane)
• Współchorobowość (Jeśli są brakujące wartości, badacze zastąpią je średnią i dodadzą zmienną dummy, aby wskazać pacjentów z brakującym wynikiem współchorobowości)

• Następujące wzajemnie wykluczające się binarne wskaźniki, aby uwzględnić różnice w (1) czy wizyta została zaplanowana przed wdrożeniem funkcjonalności czasu przybycia i (2) jak daleko wcześniej wizyta została zaplanowana:

  • Zaplanowana przed wdrożeniem funkcjonalności: Wskaźnik dla wizyt zaplanowanych przed wdrożeniem funkcjonalności czasu przybycia
  • Zaplanowana >7 dni wcześniej: Wskaźnik dla wizyt zaplanowanych w dniu lub po dniu wdrożenia z więcej niż 7 dniami między zaplanowaniem a datą wizyty.
  • Zaplanowana 1-7 dni wcześniej: Wskaźnik dla wizyt zaplanowanych w dniu lub po dniu wdrożenia z 1 do 7 dniami między zaplanowaniem a datą wizyty.
  • Zaplanowana <1 dnia wcześniej: Wskaźnik dla wizyt zaplanowanych w dniu lub po dniu wdrożenia z mniej niż 1 dniem między zaplanowaniem a datą wizyty.

Jako analizę eksploracyjną badacze zbadają efekty leczenia tylko wśród wizyt zaplanowanych w dniu lub po dniu wdrożenia funkcjonalności, ponieważ potwierdzające powiadomienia tekstowe o wizycie otrzymane przez tych pacjentów będą odzwierciedlać projekt eksperymentalny.

Dla sprawdzenia odporności badacze przeprowadzą modele logitowe dla wyników binarnych i ponownie oszacują modele dla ciągłego wyniku czasu przybycia na 1. i 99. percentylu (co jest szerszym zakresem winsoryzacji niż zakres określony w dalszej części sekcji głównych wyników).

Uwaga: Niektórzy pacjenci mogą mieć wiele kwalifikujących się spotkań w okresie badania. Główne analizy będą obejmować tylko pierwsze spotkanie na pacjenta. Analizy eksploracyjne ocenią, czy uwzględnienie kolejnych spotkań zmienia wyniki.

Aby przetestować heterogeniczne efekty leczenia, badacze oszacują modele interakcji, w których wskaźnik leczenia jest interakcją z cechami pacjenta, wizyty lub kliniki. Badacze przeanalizują następujących moderatorów:

• Punktualność na poziomie pacjenta, jak zdefiniowano powyżej (Aby uwzględnić brakujące wartości, modele regresji będą interakcją wskaźnika leczenia zarówno z imputowaną stopą punktualności, jak i wskaźnikiem braku)
• Ile razy pacjenci uczestniczyli w wizycie u lekarza w tej samej klinice w ciągu 36 miesięcy przed rozpoczęciem badania
• Czy oddział kliniki planuje wizyty w slotach 15/30 minutowych lub 20/40 minutowych
• Bazowa stopa punktualności kliniki: procent wizyt, które były punktualne (zarejestrowane ≤ 0 minut spóźnienia) w ciągu sześciu miesięcy przed badaniem
• Typ wizyty (dorośli vs. dzieci)
• Czas planowania wizyty (cztery wzajemnie wykluczające się podgrupy): Czy wizyta została zaplanowana przed wdrożeniem funkcjonalności czasu przybycia vs. została zaplanowana po wdrożeniu funkcjonalności, ale więcej niż 7 dni przed zaplanowaną datą wizyty vs. 1-7 dni vs. <1 dnia przed zaplanowaną datą wizyty.
• Współchorobowość (Aby uwzględnić brakujące wartości, modele regresji będą interakcją wskaźnika leczenia zarówno z imputowanym wynikiem współchorobowości, jak i wskaźnikiem braku)

Badacze przeprowadzą dodatkowe analizy eksploracyjne, aby zbadać potencjalne konsekwencje interwencji:

1. Frekwencja na wizytach Badacze zbadają, czy warunek eksperymentalny wpływa na stawki nieobecności w porównaniu z warunkiem kontrolnym. Wyraźne wyświetlanie wcześniejszego wymaganego czasu przybycia mogłoby potencjalnie zwiększyć nieobecności, jeśli niektórzy pacjenci uważają, że już przegapili swoje okno wizyty lub czują się zniechęceni do przyjścia, gdy zdadzą sobie sprawę, że nie mogą przybyć do wymaganego czasu.

2. Zadowolenie pacjentów:

   Badacze zbadają, czy przypisanie do warunku eksperymentalnego wpływa na oceny zadowolenia pacjentów w ankietach po wizycie, koncentrując się na dwóch binarnych wynikach, które umożliwiają analizę zamiaru leczenia:

   A. Czy pacjent pozostawia złą recenzję (ta zmienna równa się 1, jeśli pacjent daje 1 lub 2 gwiazdki z 5 gwiazdek, i 0, jeśli pacjent daje wyższą ocenę gwiazdkową lub nie podaje oceny gwiazdkowej) B. Czy pacjent pozostawia dobrą recenzję (ta zmienna równa się 1, jeśli pacjent daje 5 gwiazdek, i 0, jeśli pacjent daje niższą ocenę lub nie podaje oceny gwiazdkowej).

   Badacze przeprowadzą analizy tekstowe jakościowych komentarzy pacjentów w ankietach, aby ocenić sentyment i źródła obaw lub pochwał.

3. Odwołania wizyt Badacze przetestują, czy warunek eksperymentalny wpływa na stawki odwołań w porównaniu z warunkiem kontrolnym. Ta analiza pomoże określić, czy sformułowanie "Przyjdź Do" ma jakikolwiek niezamierzony wpływ na prawdopodobieństwo odwołania przez pacjentów zamiast uczestnictwa w wizycie.
4. Metryki przepływu pracy kliniki:

Badacze zbadają, czy leczenie wpływa na następujące dwie operacyjne metryki w klinice:

A. Czas pacjenta w pokoju: liczba minut między rejestracją pacjenta a czasem, gdy zostaje umieszczony w pokoju badania.

B. Czas wejścia lekarza do pokoju badania: liczba minut między zaplanowanym czasem wizyty a wejściem dostawcy do pokoju.

C. Czas między rejestracją a wejściem dostawcy: Liczba minut między rejestracją pacjenta a czasem wejścia dostawcy do pokoju badania.

Badacze użyją regresji kwantylowych dla tego zestawu analiz. Te eksploracyjne miary dają wgląd, czy poprawiona punktualność przekłada się na płynniejszy przepływ kliniki lub zmiany w czasie oczekiwania pacjenta. Te miary są prawdopodobnie zakłócone, ponieważ czas, gdy pacjenci są umieszczani w pokoju badania lub są widziani przez dostawcę, nie zawsze jest rejestrowany w czasie rzeczywistym.