Presentation av masterarbete som skrevs under masterutbildningen i Hälsoinformatik på Karolinska Institutet och Stockholms universitet våren 2023. Fokus ligger på tillämpningen av maskininlärning (ML) för att förutsäga uteblivna besök, även kallad "No-shows", inom digital psykoterapi. Målet med studien var att identifiera den bäst lämpade ML-modellen för denna prognos, samt att få en djupare förståelse för de faktorer som har störst påverkan på uteblivna besök i den digitala vårdmiljön.

Denna studie utgår från tidigare forskning som undersökt ML som ett verktyg för att förutspå No-shows i fysiska vårdmiljöer. Med digitaliseringens framväxt har intresset för att tillämpa detta koncept utvidgats till att omfatta No-shows inom digital vård.

Obehandlade patienter och avbrott i behandlingar är utmaningar som mental hälso- och sjukvård ofta står inför. Trots att fler människor söker vård finns det fortfarande många patienter som inte dyker upp på sina inbokade vårdbesök. Dessa uteblivna besök leder till förlängda väntetider för patienter och minskad effektivitet för vårdpersonal, vilket också medför betydande ekonomiska kostnader för vården. Att använda ML för att förutsäga No-shows kan vara en lösning för att minska dessa problem och förbättra både behandlingsföljsamheten och behandlingsresultat.

Studiens resultat indikerar att ML kan vara framgångsrikt för att förutsäga No-shows inom digital psykoterapi och för att identifiera underliggande faktorer som bidrar till dessa uteblivna besök. Det framgår att ML utgör ett relevant och effektivt verktyg för att minska förekomsten av No-shows och förbättra patienternas behandlingsföljsamhet inom digital psykoterapi.