# Prioritized appointment allocation in new patients, what is really decisive? Comparative analysis of manual appointment allocation with automated and AI-assisted approaches

## TL;DR

This paper compares manual and AI-assisted methods for prioritizing new patient appointments in rheumatology, finding that physician decisions are most effective for reducing wait times for patients with inflammatory rheumatic diseases.

## Contribution

The study introduces an AI-based decision tree for appointment prioritization and evaluates its performance against manual methods in a real-world rheumatology setting.

## Key findings

- Physician-assigned appointments reduced wait times for patients with inflammatory rheumatic diseases by 38% compared to non-ERE cases.
- An AI decision tree achieved a 67% accuracy in identifying ERE cases and predicted a 19% reduction in wait time.
- Including basic lab results improved AI accuracy to 78% and increased time savings for ERE cases up to 31%.

## Abstract

Die zeitnahe Terminvergabe für Neuvorstellungen ist eine tägliche Herausforderung in der rheumatologischen Praxis, die von digitalen Lösungen unterstützt werden kann. Es stellt sich die Frage nach einer möglichst einfachen und effektiven Methode der Terminpriorisierung.

Mithilfe eines Anmeldeformulars für Neuvorstellungen wurden standardisiert Symptome und Laborbefunde erfasst. Die Terminvergabe erfolgte nach fachärztlicher Sichtung dieser Informationen in 3 Kategorien: (a) < 6 Wochen, (b) 6 Wochen bis 3 Monate und (c) > 3 Monate. Die Wartezeiten zwischen dem Zeitpunkt der Anmeldung und dem Vorstellungstermin wurden berechnet und verglichen zwischen Patienten mit und ohne Diagnose einer entzündlich-rheumatischen Erkrankung (ERE). Zusätzlich wurde ein Entscheidungsbaum, eine Methode aus dem Bereich des überwachten Lernens innerhalb der künstlichen Intelligenz (KI), erstellt und die resultierende Klassifikation bezüglich Trefferrate und berechneter Wartezeitersparnis verglichen.

Insgesamt wurden 800 Fälle (darunter 555 Frauen [69,4 %], medianes Alter 53 Jahre [IQA 39–63]) zwischen 2020 und 2023 ausgewertet. Eine ERE konnte in 409 (51,1 %) Fällen bestätigt werden mit einer Wartezeit von 58 vs. 93 Tagen bei Non-ERE-Fällen (−38 %, p < 0,01). Eine KI-Stratifizierung ergab eine Trefferrate von 67 % bezüglich einer ERE und eine prognostizierte Einsparung von 19 % Wartezeit. Die Trefferrate stieg hierbei auf 78 % mit einer Zeitersparnis für ERE-Fälle um bis zu 31 %, wenn grundlegende Laborergebnisse bekannt waren. Andererseits ergaben vereinfachte Algorithmen z. B. durch eine reine Laborwert-basierte Stratifizierung eine niedrigere Trefferrate und Zeitersparnis.

Die fachärztliche Terminzuweisung ist effektiv und verkürzt die Terminwartezeit für Patienten mit ERE signifikant. Eine automatisierte Kategorisierung kann unter Berücksichtigung vollständiger Laborwerte mit reduzierter Sensitivität zu einer Verkürzung der Terminwartezeit führen.