Sectores

Clínicas

Mañana te fallarán citas. Tu agenda ya sabe cuáles.

En una clínica el activo es la hora de gabinete: cada hueco vacío es coste fijo sin ingreso. Y casi todos los huecos son evitables — el no-show, el tratamiento abandonado, el paciente que no vuelve a revisión.

La cita que falla

riesgo de no-show por cita; el recordatorio inteligente solo a quien lo necesita; la lista de espera que rellena el hueco sola.

El paciente que no vuelve

quién está dejando el tratamiento a medias o saltándose la revisión, con su valor delante, a tiempo de llamar.

La campaña que no se sabe si funciona

qué canal trae pacientes que SE QUEDAN (no curiosos de primera visita).

La agenda descompensada

previsión de demanda por día y gabinete: cuándo abrir hueco, cuándo doblar.

Con lo que ya tienes: el software de citas de siempre (asistió/no asistió, historial), la facturación. Sin cambiar de programa. Y siendo datos de salud: se quedan en tu casa, con confidencialidad firmada — aquí no es un eslogan, es requisito.

El diagnóstico de clínica, en concreto:

  1. Tu tasa real de no-show y su coste anual a tu ticket medio (la cifra suele asustar).
  2. Cuántos pacientes "dormidos" con valor tienes ahora mismo — y cuántos de los perdidos eran detectables (la prueba de rebobinado, con tu agenda).
  3. Qué canal te trae pacientes rentables y cuál solo primeras visitas.
  4. El plan: recordatorio selectivo, lista de reactivación semanal, hueco inteligente.

Casos típicos en una clínica

En una clínica el activo es la hora de gabinete y la confianza del paciente, y ambos se escapan en silencio: el hueco que nadie avisó, el tratamiento que se deja a medias, el material que vence en el cajón. Estos son los problemas del catálogo que más golpean a una clínica, abierto cada uno en ficha. Toca cualquiera para abrirlo.

El hueco de las once se queda vacío y nadie avisó.
El problema

La sala estaba reservada y la hora ya no vuelve. El paciente que no se presenta no te cuesta solo su cita: te cuesta al que llamó para esa franja y al que dijiste que no había sitio. La agenda parecía completa y el gabinete facturó la mitad.

Por qué ocurre

No todas las citas presentan el mismo riesgo de fallo, pero a simple vista parecen iguales. Quién reservó, por qué canal, con cuánta antelación, si es primera visita o paciente de años, si ya falló antes — todo eso modifica la probabilidad de no presentación, y cruzarlo a mano en cada cita del día excede a recepción. Acabas enviando el mismo recordatorio a todos o a ninguno, y aciertas por azar.

Cómo se resuelve

A partir de tu propio historial de citas se aprende qué reservas tienen riesgo de fallar antes de que fallen. A esas — y solo a esas — se les refuerza el recordatorio o se les pide confirmación; el hueco de riesgo se ofrece en lista de espera. La agenda deja de ser una promesa y pasa a ser una previsión: sabes qué franjas quedarán libres con horas de margen para reasignarlas.

El algoritmo

Predicción de no-show por cita (clasificación GBM con historial, canal y antelación: LightGBM/XGBoost).

Qué requiere

Tu agenda histórica con quién reservó, por qué canal, con cuánta antelación y si acudió o no · cuanto más extenso el histórico de no presentaciones pasadas, mejor afina.

Lo que está en juego

El retorno reside en recuperar huecos: cada cita que rescatas con un recordatorio bien dirigido, o que reasignas porque sabías que iba a fallar, es una hora que pasa de vacía a facturada. No es un experimento: el hospital Boston Children's puso un modelo a leer su propio historial de citas y acertó el 83% de las inasistencias en el momento de agendar — justo a tiempo de reforzar el recordatorio u ofrecer el hueco a otro. El número concreto para tu clínica lo da el diagnóstico sobre tu propia agenda.

Caso real

Boston Children's Hospital leyó su propio historial de citas y, en el momento de agendar, identificó correctamente el 83% de las que iban a fallar: a tiempo de reforzar el recordatorio o reasignar el hueco.

Predicting no-shows en cita pediátrica, npj Digital Medicine (Nature, 2022) · fuente
El paciente deja el tratamiento a medias y te enteras al cerrar el mes.
El problema

No hay ruptura ni queja: el paciente que venía a sus revisiones deja de aparecer, y lo descubres al cuadrar la facturación, cuando ya hace semanas que no pisa la consulta. El tratamiento queda a medias, la revisión se salta, y cuando resulta evidente ya queda poco que reconducir.

Por qué ocurre

Identificar quién está dejando el tratamiento exige cruzar la última visita de cada paciente, el ritmo que le correspondía según su pauta y el tiempo que lleva sin aparecer — y ese cruce, sobre cientos de fichas a la vez, excede el análisis manual. El abandono silencioso no emite aviso, y tú tienes una clínica que atender.

Cómo se resuelve

A partir de tu histórico de visitas se marca cada semana al paciente que se enfría — el que se salta la revisión, el que no reserva la siguiente sesión de su pauta — con el motivo señalado, para que recepción llame mientras aún está a tiempo de retomar el tratamiento. Dejas de revisar doscientas fichas a mano: la lista de a quién contactar sale escrita.

El algoritmo

Score de riesgo de abandono por paciente, semanal, con motivo (clasificación tipo LightGBM + explicación con SHAP).

Qué requiere

Tu histórico de citas y tratamientos con fecha y paciente · nada más; cuanto más continuo, antes detecta el enfriamiento.

Lo que está en juego

El retorno reside en retener al paciente en riesgo: cada uno que reconduces antes de que abandone son sesiones que siguen completándose en lugar de un tratamiento perdido a medias. Es la misma pendiente que en un hospital separa al paciente que se está enfriando del que sigue su pauta — leer la señal débil mientras aún se puede llamar, no al cuadrar el mes. El número concreto para tu clínica lo da el diagnóstico sobre tu propio histórico.

Sabes que un paciente está flojo. No si le quedan tres semanas o tres meses.
El problema

Saber que alguien está en riesgo de no volver no indica cuándo conviene llamarle. Si actúas tarde, el aviso ya no sirve; si llamas a todos a la vez por precaución, agotas a recepción y la paciencia del paciente. Lo que falta no es la alarma, sino la fecha.

Por qué ocurre

"En riesgo" es una etiqueta sin plazo. Ponerle fecha exige analizar cómo se desactivaron los pacientes equivalentes en tu propio histórico — cuántos seguían viniendo a los 30 días, cuántos a los 90 — y ese cálculo, paciente a paciente sobre toda la ficha, supera el análisis manual. El obstáculo es el volumen, no tu criterio clínico.

Cómo se resuelve

A partir de tu histórico se asigna una cuenta atrás a cada paciente: la probabilidad de que siga activo a 30, 60 y 90 días. Es la misma matemática que en medicina estima el pronóstico de un paciente, aplicada a tu agenda de seguimiento. El paciente con la cuenta en rojo esta semana se contacta esta semana, no el trimestre próximo — y el que aún aguanta puede esperar su turno.

El algoritmo

Probabilidad de seguir activo a 30/60/90 días — análisis de supervivencia (Kaplan-Meier, Cox, Random Survival Forest; lifelines).

Qué requiere

Tu histórico de visitas con fecha y paciente · si dispones de la fecha de alta de cada uno, la precisión aumenta.

Lo que está en juego

El retorno reside en llamar en la semana correcta: un aviso a tiempo retiene; el mismo aviso un mes tarde es un paciente que ya cambió de clínica. El patrón es universal — el hospital Johns Hopkins aplicó una cuenta atrás equivalente sobre sus pacientes y, cuando el médico llegaba a tiempo a la señal, la mortalidad descendía (estudio en 5 hospitales, 590.000 pacientes). La señal débil avisa antes de estallar; lo que cambia es lo que te juegas por hora de retraso. El número concreto para tu clínica lo da el diagnóstico sobre tu propio histórico.

Caso real

Johns Hopkins lee el historial de cada paciente y avisa horas antes de que la sepsis estalle; ganar esas horas salva vidas. La misma forma de leer una señal débil antes de que sea tarde.

Adams et al., Nature Medicine (2022), sistema TREWS · fuente
Tu agenda se descompensa: días muertos y días que revientan.
El problema

Hay tardes en que media sala está parada y mañanas en que no das abasto y el paciente espera de pie. La ocupación de cada gabinete y de cada profesional sube y baja con un patrón — la época, el día de la semana, el puente — que está escrito en tu agenda de años, pero que nadie lee hacia delante para preparar el cuadro del mes que viene.

Por qué ocurre

La demanda de cada gabinete no es plana: tiene su estacionalidad, sus picos y sus valles, y mezclar las salas o promediar el mes entero los esconde. Estimar cuánta agenda vas a tener por gabinete y por semana exige separar la tendencia de fondo de la oscilación normal sobre tu serie histórica — un cálculo que a ojo se reduce a "el año pasado por estas fechas", que casi siempre falla en los extremos.

Cómo se resuelve

A partir de tu agenda histórica se prevé la ocupación por gabinete y por semana, con su horquilla: cuándo vas a tener hueco de sobra para abrir agenda a captación o adelantar revisiones, y cuándo vas a reventar y conviene reforzar turno o redistribuir profesionales. El cuadro del mes deja de fijarse por costumbre y pasa a fijarse por previsión.

El algoritmo

Previsión de demanda por gabinete y semana, con intervalo (descomposición STL + modelos de serie temporal; Prophet, GBM).

Qué requiere

Tu agenda histórica con fecha, gabinete o profesional y ocupación real · cuanto más largo el histórico, mejor recoge la estacionalidad.

Lo que está en juego

El retorno reside en repartir la carga antes de que llegue: la franja muerta que llenas con revisiones adelantadas y el pico que suavizas redistribuyendo profesionales son horas de gabinete que dejan de desperdiciarse y esperas que dejan de quemar al paciente. Tratar la ocupación como algo que se anticipa leyendo tu propia serie histórica, no que se sufre cada semana por sorpresa. El número concreto para tu clínica lo da el diagnóstico sobre tu propia agenda.

Se te caduca el material clínico en la estantería y el margen acaba perdido.
El problema

El fungible con fecha, el lote de producto que tiene los días contados desde que entra en el almacén. Si compras de más, parte se descarta sin haberse usado; si compras de menos por temor a tirarlo, te quedas sin material a media mañana. Y el orden de salida importa tanto como la cantidad: lo que vence antes tiene que salir antes.

Por qué ocurre

Con caducidad, la compra no se decide al mes sino al consumo real de cada semana — y un pedido de más es producto que vence sin gastarse. Calcular cuánto reponer de cada referencia para cubrir el uso sin pasarte de la fecha, y además sacar primero lo que antes caduca, es un cálculo por referencia que a mano no se sostiene: por eso se pierde margen sin advertirlo.

Cómo se resuelve

A partir de tu consumo real se ajusta la reposición de cada material a su ritmo de uso y a la fecha de caducidad de cada lote, y se ordena la salida para que lo que vence antes salga primero. El margen deja de perderse en el cubo: repones para usar, no para descartar, y lo que entra rota antes de caducar.

El algoritmo

Reposición ajustada a caducidad y consumo (forecast de consumo + FEFO + cuantiles).

Qué requiere

Tu histórico de consumo por referencia · y la vida útil o caducidad de cada material.

Lo que está en juego

El retorno reside en reducir lo que se descarta sin quedarte corto en el gabinete: cada lote que se gasta antes de vencer es material que se aprovecha en lugar de margen que va a la basura. Es la disciplina de tratar cada existencia como un recurso con fecha — reponer al ritmo del consumo real que ya está escrito en tu histórico y sacar primero lo que antes caduca. El número concreto para tu clínica lo da el diagnóstico sobre tu propio histórico.

Mimas al paciente que más alzó la voz. No sabes cuál te dejará más dinero.
El problema

El valor de un paciente no es lo que ya te dejó, sino lo que le queda por dejarte: las revisiones, los tratamientos futuros, los que trae por recomendación. Atiendes como prioritario al que más reclamó una vez y descuidas al que, en silencio, sostendrá tu agenda durante años. Sin medirlo, repartes el trato sin criterio.

Por qué ocurre

Lo que aportó cada paciente está en la facturación; lo que le queda por aportar, no — eso debe proyectarse a partir de su patrón: frecuencia de visita, tipo de tratamiento, tiempo desde la última. Ese cálculo, paciente a paciente y orientado al futuro en lugar del pasado, excede a una hoja ordenada por total histórico, que premia al que ya fue y no al que será.

Cómo se resuelve

A partir de tu histórico se proyecta el valor de vida de cada paciente — lo que se espera que aporte en adelante, no lo que ya aportó — según su patrón de visita y tratamiento. La cartera se ordena por ese número, y la atención, el seguimiento y el tiempo se concentran en quien lo justifica a largo plazo.

El algoritmo

Valor de vida del paciente (CLV) proyectado, con modelos de visita repetida (BG/NBD + Gamma-Gamma; lifetimes).

Qué requiere

Tu histórico de visitas y facturación con fecha, paciente e importe · con eso basta para proyectar; si conoces el coste de servir a cada uno, también resulta quién te cuesta dinero.

Lo que está en juego

El retorno reside en dejar de repartir el esfuerzo de forma uniforme: el seguimiento y la atención que hoy distribuyes por igual se concentran donde rinden, y dejas de tratar igual al paciente que sostendrá tu agenda durante años y al que apenas vuelve. Es la misma idea que Kaiser Permanente aplicó leyendo su propia historia clínica para segmentar a sus pacientes por lo que cada grupo necesitaría en adelante, y dirigir a cada uno la atención que le corresponde en lugar de la misma para todos. El número concreto para tu clínica lo da el diagnóstico sobre tu propio histórico.

Caso real

Kaiser Permanente leyó el historial clínico de 91.113 pacientes mayores de 65 años y los segmentó en cuatro grupos según lo que cada uno iba a necesitar — del paciente robusto al que se acerca al final de su vida — para concentrar el seguimiento donde más rinde en lugar de tratar a todos igual. La segmentación coincidió con el juicio del médico en el 85% de los casos.

Zhou, Wong & Li, The Permanente Journal (2014), Senior Segmentation Algorithm · fuente
Las reseñas malas te llegan tarde, cuando ya las ha leído quien iba a venir.
El problema

Para cuando te enteras de una reseña negativa, ya la ha visto el paciente que estaba decidiendo si pedir cita — y muchas veces ya decidió que no. La queja escrita no es el principio del problema: es el final de un malestar que llevaba tiempo y que, agrupado con las demás, señala qué se rompe una y otra vez en tu consulta.

Por qué ocurre

Lo que se publica sobre tu clínica entra a goteo, repartido en plataformas distintas, y nadie lo lee entero a medida que llega. Detectar el enfado que cuaja y de qué se queja la gente de forma recurrente exige leer ese flujo al ritmo que entra, no cuando ya es una bola — y eso a mano solo alcanza a la reseña que sube de tono.

Cómo se resuelve

Con lo que se publica sobre tu clínica se lee el tono a medida que entra y se levanta la alarma cuando aparece enfado o urgencia, y se agrupan las quejas recurrentes para arreglar el problema de raíz — la espera, el trato en recepción, el seguimiento — no para borrar la reseña. La señal que tu memoria no guarda queda registrada y ordenada por gravedad, a tiempo de actuar.

El algoritmo

Lectura de texto: tono y temas de queja recurrentes (NLP de sentimiento, agrupación de temas con BERTopic).

Qué requiere

Tus reseñas, comentarios y menciones según entran · con el histórico de las que precedieron a una fuga, aprende qué tono adelantar.

Lo que está en juego

El retorno reside en llegar antes de que el enfado cuaje y antes de que lo lea el siguiente paciente: atender una queja temprana retiene y protege la reputación de la clínica; atender la que ya leyeron diez es daño hecho. Es el patrón de la señal débil en su forma más extrema — leer el deterioro antes de que estalle, como Johns Hopkins lo lee en las constantes del paciente para ganar horas. El número concreto para tu clínica lo da el diagnóstico sobre tu propio histórico.

Caso real

Johns Hopkins lee en tiempo real el historial de cada paciente y avisa al médico horas antes de que la sepsis estalle; ganar esas horas salva vidas. La misma forma de leer una señal débil antes de que sea tarde.

Adams et al., Nature Medicine (2022), sistema TREWS · fuente

Lo que ya hacen los grandes del sector

No es teoría de despacho: hospitales y clínicas llevan años leyendo su propio historial para llegar antes que el problema, ya sea el deterioro de un paciente o el hueco de agenda que se va a quedar vacío. Cambia la escala, no la pregunta — la misma forma de leer una señal débil que sirve sobre tu agenda.

Johns Hopkins · sepsis

El algoritmo que avisa antes que la fiebre

La sepsis mata más que muchos cánceres y cada hora de retraso multiplica la mortalidad, pero sus primeras señales se confunden con una gripe en un mar de constantes. Johns Hopkins desarrolló TREWS, un sistema que lee en tiempo real el historial de cada paciente ingresado y avisa al médico horas antes que los métodos tradicionales. Se probó en serio: estudio en 5 hospitales, 590.000 pacientes, publicado en Nature Medicine. Cuando el médico confirmaba la alerta en menos de 3 horas, la mortalidad bajaba un 18,7% (reducción relativa ajustada); el sistema detectó el 82% de los casos.

Lo que significa para tu clínicaLa catástrofe deja señales débiles antes de estallar, demasiado sutiles para el ojo y perfectas para un modelo. En tu clínica la catástrofe es el paciente que se va o la reseña que arde; lo que cambia es qué te juegas por hora de retraso.

Adams et al., Nature Medicine (2022), sistema TREWS · fuente
Kaiser Permanente · deterioro del paciente

El aviso que llega antes de que el paciente empeore

A un paciente ingresado a veces se le empieza a torcer sin que el cambio salte a la vista en el ajetreo de la planta. Kaiser Permanente puso a leer los datos de cada ingresado un modelo que detecta a quién se le está complicando el cuadro y avisa a un equipo de enfermería antes de que empeore. Lo desplegó en serio en sus hospitales del norte de California y comparó 15.487 pacientes con alerta frente a la práctica habitual: la mortalidad a 30 días bajó del 20,4% al 15,8%, con menos ingresos en UCI y estancias más cortas.

Lo que significa para tu clínicaEl deterioro deja un rastro en los datos antes de hacerse evidente, demasiado fino para el ojo en plena jornada y perfecto para un modelo. En tu clínica el deterioro es el paciente que se enfría o la agenda que se descompensa; lo que cambia es qué te juegas por no leerlo a tiempo.

Escobar et al., New England Journal of Medicine (2020); comunicado de la Division of Research de Kaiser Permanente · fuente
Boston Children's Hospital · agendas

El modelo que sabe quién no va a venir a su cita

El no-show es el dolor diario de cualquier consulta: en la clínica de pediatría de Boston Children's una de cada cinco citas se quedaba vacía. Pusieron un modelo a leer el propio historial de citas para predecir, en el momento de agendar, quién no se iba a presentar. Sobre 161.822 citas de casi veinte mil pacientes, el modelo acertó el 83% de las inasistencias en el instante de dar la cita, con una tasa de falsa alarma por debajo del 17%. Justo el momento en que aún se puede reforzar el recordatorio u ofrecer el hueco a otro.

Lo que significa para tu clínicaUna agenda de clínica es una rejilla de plazas que caducan: la franja de las once que nadie ocupa no vuelve. Leer tu propio historial para saber qué cita va a fallar antes de que falle es exactamente lo que hizo un hospital con sus consultas de pediatría.

Predicting no-shows en cita pediátrica, npj Digital Medicine (Nature, 2022) · fuente

Los clientes que se van avisan antes.

En una clínica, avisan en la agenda. Hay que leerla.