Randevuya gelmeyen hasta oranını düşürme, bir özel klinikte alınan randevuların kaçının gerçekten muayeneye dönüştüğünü ölçmek ve boş kalması muhtemel slotları geçmiş randevu verisinden önceden tahmin ederek kapatmak anlamına gelir. Tek bir hatırlatma mesajı göndermekten farklıdır: risk skorlaması, risk seviyesine göre kademeli teyit, iptal olan slotun bekleme listesinden doldurulması ve mesai dışı taleplerin karşılanması aynı akışta çalıştığında sonuç verir.
- Literatürde birinci basamak randevularında ortalama gelmeme oranı %15,2; klinik ve branşa göre %10-30 aralığı raporlanıyor.
- Herkese aynı hatırlatmayı göndermenin etkisi zayıf; kanıt, hatırlatmayı riskli hastaya yoğunlaştırmakta. Bir radyoloji biriminde en riskli %25'e telefonla teyit, gelmeme oranını %19,3'ten %15,9'a indirdi.
- Risk skoru için yeni veri toplamanız gerekmez: randevu defterinizdeki tarih farkı, saat dilimi, geçmiş gelmeme ve ödeme tipi zaten yeterli sinyali taşıyor.
- İptal olan slotu bekleme listesine otomatik teklif etmek, hatırlatmadan bağımsız ikinci bir kazanç kalemidir; yayımlanmış bir uygulamada boşalan slotların %30,5'i bu yolla doldu.
- Ön büro asistanı yalnızca randevu verisini görmeli; tanı, tetkik yorumu ve tedavi detayı bu katmanın dışında kalır.
Randevuya gelmeyen hasta oranını düşürme tam olarak neyi kapsar?
Kapsam, hastanın kliniğe adım atmasından önceki tüm takvim operasyonudur: randevunun alınma anı, teyit temasları, iptal bildiriminin kolaylaştırılması, boşalan slotun yeniden satılması ve mesai dışı gelen taleplerin kaybedilmemesi. Klinik karar süreçlerine dokunmaz; tanı, tetkik yorumu ve tedavi önerisi bu işin dışındadır.
Bu ayrım pratikte önemli. Ön büro tarafında otomasyon kurmak mevzuat ve veri güvenliği açısından yönetilebilir bir alandır. Aynı asistanın hastaya "şu tetkiki yaptırın" demesi ise hem hekimlik yetkisine hem sağlık mevzuatına girer. Sınırı baştan çizmek, projenin ilerleyen aylarda tıkanmasını önler.
Özel klinikte gelmeme oranı kaç olmalı ve size ne kadara mal oluyor?
Birinci basamak randevularını inceleyen sistematik bir derleme, gelmeme oranı ortalamasını %15,2, ortancasını %12,9 buldu; alan yazınında branş ve kuruma göre %10-30 aralığı yaygın olarak raporlanır. Kendi rakamınızı bilmiyorsanız iyileştirme de ölçemezsiniz; bu yüzden ilk adım hedef belirlemek değil, son üç ayın oranını hesaplamaktır.
Derleme (British Journal of General Practice, 2021) ayrıca iki tekrar eden bulgu bildiriyor: daha genç hastalar ve daha önce randevusunu kaçırmış hastalar yeniden kaçırmaya daha yatkın. İkinci bulgu, risk skorlamasının neden çalıştığının en yalın açıklamasıdır — geçmiş davranış, gelecek davranışın en güçlü tek göstergesidir.
Kayıp ciroyu kendi verinizle hesaplamak için üç sayı yeterlidir:
| Adım | Formül | Örnek (varsayımsal) |
|---|---|---|
| Aylık boşa giden slot | Toplam randevu × gelmeme oranı | 800 × %18 = 144 slot |
| Doldurulamayan kısım | Boş slot × (1 − doldurma oranı) | 144 × %70 = 101 slot |
| Aylık kayıp | Doldurulamayan slot × ortalama slot cirosu | 101 × 900 TL ≈ 90.900 TL |
Tablodaki oranlar örnektir; yerine kendi defterinizin rakamlarını koyun. Yatırımın kaç ayda döndüğünü bu çıktı üzerinden kurgulamak için yapay zeka ROI hesaplama adımlarını aynı tabloyla birlikte kullanabilirsiniz.
Randevu defterindeki hangi veriler gelmeme riskini önceden gösterir?
Risk skoru için yeni bir veri toplama süreci kurmanız gerekmez. Mevcut randevu defteriniz ya da hasta yönetim yazılımınız, modelin ihtiyaç duyduğu sinyallerin çoğunu zaten tutuyor. Kritik olan bu alanların boş bırakılmaması ve tutarlı doldurulmasıdır.
| Sinyal | Neden ayırt edici |
|---|---|
| Randevu ile muayene arası gün sayısı | Bekleme uzadıkça plan değişikliği ve unutma olasılığı artar |
| Geçmiş gelmeme ve son dakika iptal sayısı | Alan yazınındaki en güçlü tek belirteç |
| İlk başvuru mu, kontrol mü | İki grubun gelme davranışı belirgin biçimde farklıdır |
| Randevu saati dilimi | Mesai açılışı ve kapanışa yakın slotlar farklı davranır |
| Ödeme tipi ve kapora alınıp alınmadığı | Ön ödeme, gelme kararını somut biçimde bağlar |
| İletişim kanalının güncelliği | Ulaşılamayan hastanın riski çarpıcı biçimde yüksektir |
Son satır özellikle dikkat çekici. Radyoloji randevularında yürütülen bir uygulamada, yüksek riskli grupta telefonla ulaşılabilen hastaların gelmeme oranı %17,5 iken ulaşılamayanlarda %40,3 çıktı (p < 0,0001). Yani veri temizliğinin kendisi bir müdahaledir: yanlış telefon numarasını düzeltmek, model kurmadan önce kazandıran ilk adımdır.
Modelin gücü de doğrudan alan zenginliğine bağlıdır. 246.943 randevu kaydını 13 alanla değerlendiren bir çalışmada en iyi modelin ayırt etme gücü AUC 0,65'te kaldı; onlarca alan kullanan çalışmalarda bu değer 0,85 seviyesine çıkıyor. Pilottan önce alanları düzenlemek istiyorsanız yapay zeka için veri hazırlığı kontrol listesi doğrudan uygulanabilir.
Hatırlatma göndermek gerçekten işe yarıyor mu?
Kısmen. Sekiz randomize çalışmayı birleştiren Cochrane derlemesinde katılım oranı hatırlatma yapılmayan grupta %67,8, mesajla hatırlatılan grupta %78,6, telefonla aranan grupta %80,3 olarak ölçüldü. Ancak 2023'te yayımlanan bir meta-analiz, birleştirilmiş etkiyi istatistiksel anlamlılık eşiğini geçmeyen bir aralıkta buldu.
Bu iki bulgu çelişmiyor; ayrımı şu: ortalamaya gönderilen hatırlatma zayıf, riske göre hedeflenen hatırlatma güçlü. Cochrane derlemesi telefonun mesajla benzer etki ürettiğini, buna karşılık gelen randevu başına maliyetinin mesaja göre belirgin biçimde yüksek kaldığını da raporluyor. Maliyeti pahalı kanala risk skoru olmadan katlanmak gereksizdir.
İstatistiksel anlamlılığa ulaşmayan birleştirilmiş sonuç ise BMC Health Services Research meta-analizinden geliyor ve tek başına hatırlatmanın çözüm sayılmaması gerektiğini gösteriyor.
Kademeli hatırlatma ve çift teyit akışı nasıl kurulur?
Akışın mantığı basittir: her hastaya aynı sayıda temas kurmak yerine, temas sıklığını ve kanalın maliyetini risk seviyesine bağlamak. Düşük riskli hastaya tek mesaj, yüksek riskli hastaya cevap bekleyen bir teyit. Amaç ısrar değil, hastanın "gelemeyeceğim" demesini kolaylaştırmaktır.
| Zaman | Düşük risk | Orta risk | Yüksek risk |
|---|---|---|---|
| 30 gün önce | — | Bilgi mesajı | Bilgi mesajı |
| 7 gün önce | Bilgi mesajı | Cevaplı teyit | Cevaplı teyit |
| 1 gün önce | Hatırlatma | Hatırlatma | Telefonla teyit |
| Teyit yoksa | Slot korunur | Bekleme listesi uyarısı | Slot bekleme listesine açılır |
Bu yapının en değerli çıktısı gelen "evet" değil, erken gelen "hayır"dır. Bir gün önce öğrenilen iptal doldurulabilir; muayene saatinde öğrenilen iptal doldurulamaz. Mesaj metinlerinde iptal bağlantısını ilk satıra koymak, cevaplama oranını sonradan eklenen her cümleden daha fazla etkiler.
Kanıt tarafında en somut sonuç şuradan geliyor: 32.957 randevuyla eğitilen bir model (AUC 0,746) en riskli %25'lik dilimi işaretledi, bu gruba telefonla teyit uygulandı ve altı aylık dönemde gelmeme oranı %19,3'ten %15,9'a düştü — göreli olarak %17,2 iyileşme, p < 0,0001 (AJR, 2020). Dikkat edilecek nokta, ek personel değil ek isabet kazanılmasıdır: aynı arama bütçesi doğru çeyreğe yönlendirildi.
İptal olan slot bekleme listesinden nasıl doldurulur?
Boşalan slotu doldurmak, hatırlatmadan bağımsız ve daha az riskli ikinci kazanç kalemidir. Mekanizma şudur: erken randevu isteyen hastalar tercih ettikleri gün ve saat aralığıyla bir listeye kaydolur, bir iptal olduğunda uygun adaylara teklif otomatik gider, ilk onaylayan slotu alır.
Yayımlanmış bir uygulama bu akışın ölçeğini gösteriyor: 21.978 boşalan randevu için 60.660 teklif gönderildi, tekliflerin %11'i kabul edildi ve slot bazında doldurma oranı %30,5 oldu. Sonuçta 5.399 muayene gerçekleşti, hastalar ilk randevu tarihinden ortancada 14 gün önce görüldü ve dokuz ayda 2.576 hizmet saati geri kazanıldı (JMIR, 2024). Bu, aynı hekim kadrosuyla üretilen ek kapasitedir.
Önemli bir detay: teklif kabullerinin ciddi bir bölümü mesai saatleri dışında gelir. Yalnızca gündüz cevap veren bir ön büro, boşalan slotların önemli kısmını bu yüzden kaçırır.
Mesai dışı çağrı ve mesajlar nasıl karşılanır, insana ne zaman devredilir?
Mesai dışı katman, telefon ve mesaj kanallarından gelen talebi karşılayıp randevu defterindeki gerçek müsaitliğe bağlayan bir arayüzdür. Doğru kurulduğunda üç işi yapar: uygun slotu teklif eder, iptal ve erteleme talebini işler, kapsam dışındaki her konuyu insana aktarmak üzere kuyruğa yazar.
Entegrasyon, işin teknik olarak en kritik yeridir. Asistan takvimi tek yönlü okuyorsa çifte kayıt riski oluşur; bu nedenle slotun rezerve edilmesi ve serbest bırakılması hasta yönetim sistemi üzerinde gerçek zamanlı olmalıdır. Kanal tarafında pratik bir başlangıç için WhatsApp üzerinde yapay zeka asistanı kurma adımları doğrudan uyarlanabilir.
Devir kurallarını yazılı ve dar tutun. Şu durumlarda asistan konuşmayı hemen insana aktarmalıdır: şikâyetin aciliyet ihtimali taşıması, tanı veya tedaviye ilişkin her soru, ödeme ve fiyat itirazı, ikinci kez anlaşılamayan talep, hastanın insan talep etmesi. Devrin nasıl kusursuz kurgulandığını chatbot ile canlı desteğin hibrit modeli üzerinden ayrıntılı inceleyebilirsiniz.
Konya gibi hem şehir merkezinden hem çevre ilçelerden hasta çeken bir ilde bu katmanın değeri daha da belirginleşir: ulaşım planı bozulan hastanın akşam saatinde erteleme yapabilmesi, o slotun ertesi gün boş kalmaması demektir.
Overbooking politikası ne zaman güvenli, ne zaman zararlıdır?
Overbooking, bir zaman dilimine planlanan kapasitenin üzerinde randevu vermektir ve yalnızca gelmeme olasılığı ölçülebildiğinde savunulabilir. Rastgele uygulandığında iki hastanın birlikte gelmesi bekleme süresini, personel yükünü ve şikâyeti artırır; kazanılan slot, kaybedilen memnuniyetten ucuz olmaz.
Güvenli çerçeve üç kuralla kurulur. Birincisi, yalnızca yüksek riskli randevuların yoğunlaştığı dilimlerde uygulanır. İkincisi, dilim başına en fazla bir fazla randevu ile başlanır ve iki hastanın birlikte geldiği vaka oranı haftalık izlenir. Üçüncüsü, işlem odası, girişim ve uzun süren muayeneler kapsam dışı tutulur — bu slotlarda çakışmanın bedeli kazançtan yüksektir.
Sıralamayı tersinden kurmak daha akıllıcadır: önce teyit ve bekleme listesini çalıştırın, doldurma oranı oturduktan sonra overbooking'i yalnızca kalan boşluk için düşünün.
KVKK ve sağlık mevzuatı hangi sınırları çiziyor?
Sağlık verileri, 6698 sayılı Kişisel Verilerin Korunması Kanunu kapsamında özel nitelikli kişisel veridir ve işlenmesi ek koşullara bağlıdır. Bu nedenle ön büro asistanının veri erişimi tasarım aşamasında daraltılır: randevu tarihi, saat, branş ve iletişim bilgisi görünür; tanı, tetkik sonucu ve tedavi geçmişi görünmez.
Pratik uygulama listesi kısadır: yalnızca amaçla sınırlı alanları taşıyın, mesaj metninde tanı veya işlem adı yazmayın, kayıtları saklama süresine bağlayın, erişimi rol bazında loglayın ve kullandığınız servisin verileri hangi ülkede işlediğini sözleşmede netleştirin.
İkinci sınır tanıtım tarafındadır. 12 Kasım 2025 tarihli ve 33075 sayılı Resmî Gazete'de yayımlanan Sağlık Hizmetlerinde Tanıtım ve Bilgilendirme Faaliyetleri Hakkında Yönetmelik uyarınca sağlık hizmetlerinde reklam yasağı sürüyor; yapılabilecek olan bilgilendirmedir. Bu yüzden hatırlatma ve bekleme listesi mesajları operasyonel bilgi taşımalı, kampanya ve teşvik diline dönüşmemelidir.
Bu çalışmanın işe yaradığını hangi tabloyla ölçersiniz?
Tek bir sayı yetersizdir. Gelmeme oranı düşerken bekleme süresi ya da şikâyet artıyorsa kazanç gerçek değildir. Aylık olarak beş metriği birlikte izleyin ve her birini müdahaleden önceki üç aylık ortalamayla karşılaştırın.
| Metrik | Nasıl hesaplanır | Beklenen yön |
|---|---|---|
| Gelmeme oranı | Gelmeyen randevu / toplam randevu | Düşer |
| Teyit oranı | Teyit veren / teyit istenen | Yükselir |
| Erken iptal oranı | 24 saat öncesinde bildirilen iptal / toplam iptal | Yükselir |
| Boşalan slot doldurma oranı | Doldurulan / boşalan slot | Yükselir |
| Birlikte gelme vakası | Aynı dilimde çakışan hasta sayısı | Sabit kalır |
Son satır fren görevi görür: overbooking'i abarttığınızı size ilk bu metrik söyler. Bu ölçüm setini 30-60-90 gün fazlarına yaymak isterseniz yapay zeka pilot proje planı yol haritası hazır bir iskelet sunuyor.
Başlangıç için tek bir branşı ve tek bir hekimin takvimini seçin, üç aylık geçmiş veriyle risk dilimlerini çıkarın, yalnızca en riskli çeyreğe teyit uygulayın. İlk turda hedefiniz oranı yarıya indirmek olmasın; ölçülebilir bir taban kurmak ve hangi sinyalin sizin hasta profilinizde çalıştığını görmek yeterli bir kazançtır.
Randevu verinizin bu skorlamayı taşıyıp taşımadığını görmek istiyorsanız, yapay zeka çözümlerimiz kapsamında randevu verisi ön değerlendirmesi yapıyoruz: mevcut alanlarınızı, gelmeme oranınızı ve doldurulabilir slot potansiyelinizi tek bir tabloya çıkarıyoruz.