Introducción: El ausentismo de los pacientes a los turnos médicos programados representa un problema muy importante para los centros de salud, las tasas de inasistencia pueden ir del 10 al 40% aproximadamente, la pérdida económica es significativa y como consecuencia se deteriora la relación médico-paciente. Es primordial conocer los factores asociados al ausentismo para tomar decisiones que puedan solucionar este problema. En este trabajo, desarrollado en un sistema de salud privado, se diseñó una cohorte retrospectiva, se caracterizaron los factores asociados al ausentismo, se estimaron las tasas de ausentismo y se desarrollaron modelos predictivos de Aprendizaje de máquinas.

Objetivos: Para las consultas ambulatorias de adultos (edades >=18 y <=45 años) de Clínica médica/Atención primaria de la salud fueron: 1. Estimar la tasa de ausentismo a consultas médicas clínicas programadas. 2. identificar factores asociados a mayor probabilidad de ausentismo en cada turno. 3. Construir modelos predictivos de ausentismo usando técnicas de aprendizaje de máquinas.

Materiales y métodos: Se generó una cohorte retrospectiva de todos los pacientes adultos incluidos (177.105) de 18 a 45 años de edad, que solicitaron al menos un turno programado. Se utilizaron todos los turnos solicitados para estimar las tasas de ausentismo, evaluar factores asociados a ausentismo, generar modelos predictivos de aprendizaje de máquinas para ausentismo. El período del estudio fue desde el 1° de enero de 2015 al 31 de diciembre de 2016 inclusive. Fuente de datos: historia clínica hospitalaria informatizada.

Resultados: Se estimó una tasa de ausentismo del 35,6%. El análisis por sexo, para 177.105 turnos, arroja un resultado de 21.461 hombres ausentes, siendo la tasa de ausentismo para este grupo de 32,2 %. Los factores más fuertemente asociados a ausentismo fueron pertenecer a una cobertura médica privada OR 4,912 (IC95% 3,982- 6,059), pertenecer a una cobertura médica privada de alta falta OR 9,339 (IC95% 7,325- 11,906), insuficiencia hepática OR 9,371 (IC95% 1,761- 49,84), la internación actual OR 3,722 (IC95% 2,541- 5,452). La mejor área bajo la curva ROC obtenida fue de 0.694 para el modelo de potenciación extrema del gradiente, las tres variables predictivas de mayor importancia fueron la proporción de faltas de los turnos solicitados en el año previo a la solicitud del turno, la cantidad de problemas activos en la Historia clínica electrónica y el tiempo transcurrido desde la solicitud del turno.

Conclusiones: Las tasas de ausentismo detectadas son altas, tanto la tasa global como la de hombres y mujeres. Varios factores se asocian fuertemente al ausentismo, como pertenecer a una cobertura médica privada y la internación al momento del turno. De los modelos predictivos de aprendizaje de máquinas desarrollados, los modelos de potenciación extrema del gradiente y potenciación del gradiente obtuvieron las mejores métricas de calibración.

Palabras clave del autor: Ausentismo a consultas médicas programadas; Atención ambulatoria; Tasas de ausentismo; Factores asociados al ausentismo; Aprendizaje de máquinas; Modelos predictivos de ausentismo.