Kiedy system oznacza umówionego pacjenta jako osobę z wysokim ryzykiem nieobecności, rejestracja może chcieć od razu wykorzystać ten termin drugi raz. Wynik ryzyka powinien jednak uruchamiać dodatkowy kontakt i pomoc przy zachowaniu rezerwacji, nie automatyczną podwójną rezerwację; w tym artykule porównamy oba podejścia i pokażemy, co mierzyć.
Wynik ryzyka nieobecności (ocena modelu wskazująca rezerwacje wymagające dodatkowego kontaktu) nie jest zapowiedzią tego, co zrobi konkretna osoba. AI może ustawić kolejność pracy rejestracji, ale nie odwołuje wizyty, nie przydziela tego samego czasu drugiemu pacjentowi i nie nakłada kary. Decyzję o kontakcie podejmuje człowiek według jawnej zasady placówki.
Dwa świeże materiały dobrze pokazują różnicę między prognozą a skutecznym działaniem. W amerykańskim sondażu stowarzyszenia zarządzających grupami medycznymi (Medical Group Management Association, MGMA) z 11 sierpnia 2026 r. 32% ze 190 grup medycznych zgłosiło wzrost nieobecności, a część respondentów stosowała nawet podwójne rezerwacje; autorzy wyraźnie zastrzegli, że komentarze nie dowodzą skuteczności tych reakcji. Z kolei badanie szpitalnych wizyt na rezonans magnetyczny opublikowane 4 sierpnia 2026 r. wykazało, że model potrafił wskazać grupę ryzyka, lecz telefon do oznaczonych pacjentów nie zmniejszył ogólnego odsetka nieobecności. To dane spoza Polski i z innych organizacji, więc są ostrzeżeniem przed skrótem myślowym, a nie gotową receptą dla przychodni.
Prognoza ryzyka nie zwalnia terminu pacjenta
Dopóki pacjent nie odwołał wizyty albo placówka nie zmieniła jej zgodnie z uzgodnioną procedurą, termin nadal jest zajęty. W centralnej e-rejestracji NFZ pacjent może odwołać wizytę przez Internetowe Konto Pacjenta (IKP), aplikację lub telefonicznie, a dopiero uwolniony termin może trafić do innej osoby. Prywatna placówka powinna równie jasno opisać moment, w którym rezerwacja naprawdę staje się wolna.
Prognoza nie jest odwołaniem. Może być podstawą, by zapytać o przeszkodę, zaoferować zmianę godziny, wskazać prosty kanał anulowania lub przypomnieć przygotowanie do wizyty. Jeśli pacjent zrezygnuje, dopiero wtedy można uruchomić listę rezerwową pacjentów. Sam ranking bywa trafny, ale nie mówi jeszcze jak zareagować wobec konkretnej osoby.
Ta granica chroni nie tylko pacjenta. Chroni też grafik przed konfliktem, którego model może nie uwzględnić: dwie osoby pojawiają się punktualnie, lekarz ma jedno stanowisko, a rejestracja musi na miejscu zdecydować, kto poczeka albo wróci innego dnia.
Dodatkowy kontakt pomaga, podwójna rezerwacja przenosi ryzyko
Przykład modelowy — liczby nie opisują żadnej rzeczywistej polskiej placówki ani oczekiwanego efektu. Zakładamy, że porównywane okresy obejmują podobne typy wizyt; tabela służy do wyboru sposobu reakcji, nie do przewidywania wyniku.
Porównaj oba warianty na podobnych typach wizyt i oceniaj nie tylko przyjścia, lecz także zmiany terminu oraz dodatkowy czas rejestracji. Nie wdrażaj podwójnej rezerwacji jako testu tylko po to, by zebrać dane — jej konsekwencje można najpierw przeanalizować na danych historycznych i modelowym scenariuszu.
| Reakcja rejestracji | Co dzieje się z terminem | Co trzeba zmierzyć | Ryzyko dla pacjenta |
|---|---|---|---|
| Dodatkowy kontakt i pomoc | Termin pozostaje przypisany pierwotnie zapisanej osobie; rejestracja pomaga potwierdzić, odwołać albo zmienić wizytę | frekwencja, wcześniejsze odwołania i zmiany terminu, minuty kontaktu, ukończona wizyta po zmianie | zbyt wiele prób kontaktu lub komunikat niedopasowany do bariery |
| Podwójna rezerwacja po samym wyniku | Druga osoba dostaje ten sam czas, choć pierwsza nie odwołała wizyty | jednoczesne przyjścia, opóźnienie, czas dodatkowej obsługi, przymusowa zmiana terminu, skargi | przeniesienie niepewności modelu na dwie osoby i personel |
Różnica nie polega na liczbie SMS-ów. Pierwszy wariant próbuje usunąć przeszkodę i daje pacjentowi prostą drogę do decyzji. Drugi zakłada, że przewidywanie jest wystarczająco pewne, by sprzedać ten sam zasób dwukrotnie — choć nawet dobry model podaje tylko prawdopodobieństwo, a nie informację o rezygnacji z wizyty.
Przykład modelowy: co się dzieje, gdy obaj pacjenci przychodzą?
Wyobraźmy sobie wizytę o 10:30. Pacjent A ma wysoki wynik ryzyka, bo w danych widnieje długi czas oczekiwania i wcześniejsza nieobecność; placówka dopisuje więc pacjenta B. A przychodzi dziesięć minut wcześniej, B punktualnie, a gabinet może obsłużyć tylko jedną osobę.
W tym momencie najważniejsze nie jest to, jak często model prawidłowo wskazuje wizyty zakończone nieobecnością. Manager musi uwzględnić opóźnienie kolejnych wizyt, dodatkową pracę rejestracji, ewentualną zmianę terminu i wpływ na dostęp obu osób. Jeśli jedna z nich przyjechała z daleka, przygotowała się do badania albo zwolniła się z pracy, koszt błędu nie mieści się w polu „slot wykorzystany”.
To jest kotwica całej decyzji: model może prawidłowo wykrywać podwyższone ryzyko w grupie, a jednocześnie mylić się wobec konkretnego pacjenta. Dlatego akcja po wyniku powinna być odwracalna i pomocna. Telefon, SMS z możliwością zmiany terminu lub pytanie o barierę można zakończyć bez szkody; dwóch pacjentów na jeden gabinet już nie tak łatwo.
Porównaj frekwencję, zmiany terminu i czas obsługi
Bezpieczny pilotaż nie porównuje „AI kontra brak AI”. Porównuje standardowe przypomnienie z tym samym przypomnieniem oraz dodatkowym kontaktem dla podobnej grupy wizyt. Typ wizyty, długość oczekiwania i okres pomiaru powinny być możliwie zbliżone, inaczej różnicę łatwo przypisać modelowi, choć wynika z sezonu albo innego grafiku.
Zapisz osobno cztery wyniki. Frekwencja mówi, ilu pacjentów przyszło. Wcześniejsza zmiana lub rezygnacja pokazuje, czy kontakt uwolnił termin z czasem na reakcję placówki. Ukończenie wizyty po przełożeniu sprawdza, czy pomoc nie zakończyła się tylko przesunięciem problemu. Minuty pracy rejestracji pokazują koszt działania, którego nie widać w samej trafności prognozy.
Badanie wizyt na rezonans magnetyczny z 2026 r. jest tu szczególnie pouczające: w grupie objętej dodatkowymi telefonami 21,9% wizyt zakończyło się nieobecnością wobec 22,0% w grupie porównawczej. Osoby, które odebrały telefon, miały lepszy wynik niż te nieosiągnięte, ale nie dowodzi to, że samo odebranie spowodowało różnicę. Najpierw trzeba sprawdzić, czy kontakt realnie dociera do pacjentów i czy oferuje pomoc pasującą do bariery.
Taki zapis pomaga oddzielić wynik modelu od działania które naprawdę dostał pacjent. Manager widzi wtedy trzy osobne rzeczy: jak często model wskazuje właściwe wizyty, czy rejestracja dociera do oznaczonych osób i czy kontakt poprawia frekwencję bez nadmiernego obciążenia personelu. Dopiero ta trójka pozwala zdecydować, czy rozszerzać proces.
Kiedy zacząć od dodatkowego kontaktu, a kiedy go zatrzymać?
Pierwszy krok: wybierz jeden typ wizyty i jedną pomoc, którą rejestracja może zaoferować osobie z wysokim wynikiem ryzyka — na przykład łatwą zmianę godziny, rozmowę o przygotowaniu do badania albo wskazanie kanału odwołania. Zachowaj termin, ustal maksymalną liczbę prób kontaktu i zapisz, kto zatwierdza wyjątek.
Warto zacząć, gdy placówka ma spójne dane o wizytach, potrafi rozdzielić nieobecność od wcześniejszego odwołania i ma konkretną pomoc zamiast samego ponaglenia. Zatrzymaj pilotaż, gdy wynik uruchamia karę, automatyczne odebranie terminu, kontakt bez jasnej podstawy albo nacisk na personel, by dublował grafik mimo braku rezygnacji.
Po pierwszym okresie porównaj grupy i przeczytaj kilka spraw od początku do końca. AI przygotowuje kolejkę do kontaktu, człowiek wybiera bezpieczną reakcję, a manager ocenia zarówno dostęp, jak i koszt obsługi. Jeżeli dodatkowy kontakt nie zmienia frekwencji ani wcześniejszych zmian terminu, nie ratuj projektu większą liczbą wiadomości — wróć do pytania, jaką barierę placówka naprawdę może usunąć.
Źródła
- McMahon i in., JAMIA Open — From prediction to practice — badanie modelu ryzyka nieobecności i losowej serii telefonów przy wizytach na rezonans magnetyczny; pokazuje różnicę między trafnością prognozy a efektem kontaktu oraz ograniczenie przenoszenia wyników na inne placówki. Sprawdzono: 2026-09-25.
- MGMA Stat — About 1 in 3 medical groups see higher no-shows in 2026 — świeży sygnał branżowy z USA o skali problemu, stosowanych reakcjach i zastrzeżeniu, że komentarze respondentów nie dowodzą przyczyn ani skuteczności działań. Sprawdzono: 2026-09-25.
- NFZ — Centralna e-rejestracja na kolejne świadczenia — oficjalny polski komunikat o sposobach odwołania wizyty i udostępnieniu zwolnionego terminu innemu pacjentowi; wybrany zamiast wtórnego poradnika. Sprawdzono: 2026-09-25.
- Insight Media — Ghosted by Patients? AI Can Help — branżowy komentarz pokazujący popularny schemat: wskazanie wizyt o podwyższonym ryzyku i kontakt rejestracji; użyty jako punkt wyjścia, nie jako dowód skuteczności ani danych dla Polski. Sprawdzono: 2026-09-25.
- Okładka: Artem Podrez na Pexels
